[논문 리뷰] Resurrecting $ b\overline{b}h $ with kinematic shapes

Christophe Grojean, Ayan Paul외 1명|arXiv (Cornell University)|2020. 01. 01.

Particle physics theoretical and experimental studies참고 문헌 69인용 수 2

한 줄 요약

이 논문은未래의 하드론 충돌기에서 지배적인 배경으로부터 $ b\bar{b}h $ 신호를 분리하기 위해 해석 가능한 기계학습을 사용한 운동학적 형태 분석을 제안한다. 이를 통해 $ y_b $의 위상까지 포함한 바텀 쿼크 요카와 상수 $ y_b $에 대한 제약 조건을 설정할 수 있다. 부스팅된 결정 트리에 셰플리 값(Shapley values)을 적용함으로써, $ y_b $에 의해 유도되는 $ b\bar{b}h $ 생성과 $ y_t $에 의해 유도되는 배경 및 불가피한 $ Zh $ 배경을 구분하는 데 핵심이 되는 운동학적 변수들을 규명하였다. 이 방법은 HL-LHC에서 $ \kappa_b $에 대해 2.2%의 민감도를 확보하였고, FCC-hh에서는 1% 미만으로 향상되었다.

ABSTRACT

The associated production of a $b\bar{b}$ pair with a Higgs boson could provide an important probe to both the size and the phase of the bottom-quark Yukawa coupling, $y_b$. However, the signal is shrouded by several background processes including the irreducible $Zh, Z o b\bar{b}$ background. We show that the analysis of kinematic shapes provides us with a concrete prescription for separating the $y_b$-sensitive production modes from both the irreducible and the QCD-QED backgrounds using the $b\bar{b}\gamma\gamma$ final state. We draw a page from game theory and use Shapley values to make Boosted Decisions Trees interpretable in terms of kinematic measurables and provide physics insights into the variances in the kinematic shapes of the different channels that help us complete this feat. Adding interpretability to the machine learning algorithm opens up the black-box and allows us to cherry-pick only those kinematic variables that matter most in the analysis. We resurrect the hope of constraining the size and, possibly, the phase of $y_b$ using kinematic shape studies of $b\bar{b}h$ production with the full HL-LHC data and FCC-hh.

연구 동기 및 목표

• 미래의 충돌기에서 불가피한 $ Zh $ 배경이 $ b\bar{b}h $ 신호를 가리키는 문제를 해결하기 위해.
• 신호-배경 분리에 가장 관련성이 높은 운동학적 변수를 식별하는 해석 가능한 기계학습 프레임워크를 개발하기 위해.
• $ b\bar{b}\gamma\gamma $ 최종 상태를 사용하여 HL-LHC와 FCC-hh에서 바텀 쿼크 요카와 상수 $ y_b $의 크기와 위상 측정 가능성을 평가하기 위해.
• 고에너지 물리 분석에서 블랙박스 기계학습 모델에 대한 물리적 해석이 가능한 대안을 제공하기 위해.

제안 방법

• 각 운동학적 변수가 신호-배경 분리에 기여하는 정도를 정량화하기 위해 부스팅된 결정 트리(BDT)에 셰플리 값을 적용한다.
• 셰플리 값을 사용하여 BDT 결정을 물리적 운동학적 관측량의 관점에서 해석함으로써, 가장 구분 능력이 높은 변수들을 식별한다.
• 몬테카를로 방법을 사용하여 HL-LHC(6 ab⁻¹)와 FCC-hh(30 ab⁻¹)에서 $ b\bar{b}h $, $ Zh $, QCD-QED $ b\bar{b}\gamma\gamma $ 과정을 시뮬레이션한다.
• 운동학적 형태에 대한 다변량 분석을 $ b\bar{b}\gamma\gamma $ 최종 상태에서 수행하여 $ y_b^2 $- 및 $ y_t^2 $-유도 기여를 분리한다.
• 분류 성능를 검증하기 위해 12층과 각 층당 64개 노드를 가진 딥 네ural 네트워크(DNN)를 사용하여 혼동 행렬을 구성한다.
• 전역 EFT 일관성 검증을 위해 루프 유도 힉스 결합을 통해 효과적 결합 $ \kappa_g $, $ \kappa_\gamma $, 및 $ \tilde{\kappa}_g $를 $ \kappa_b $와 $ \tilde{\kappa}_b $로 연결한다.

실험 결과

연구 질문

• RQ1 해석 가능한 기계학습을 활용한 운동학적 형태 분석이 $ b\bar{b}h $ 신호 추출에서 불가피한 $ Zh $ 배경 문제를 해결할 수 있는가?
• RQ2 $ y_b $에 의해 유도되는 $ b\bar{b}h $와 $ y_t $에 의해 유도되는 기여 및 $ Zh $ 기여를 구분하는 데 가장 중요한 운동학적 변수는 무엇인가?
• RQ3 HL-LHC와 FCC-hh에서 $ b\bar{b}\gamma\gamma $ 최종 상태를 사용할 때 $ \kappa_b $와 그 CP 위반 위상에 대한 예측 민감도는 어떠한가?
• RQ4 이론적 및 시스템적 불확실성이 $ b\bar{b}h $ 채널에서 $ \kappa_b $에 대한 민감도에 어떤 영향을 미치는가?
• RQ5 $ b\bar{b}h $ 생성에서 $ \kappa_b $와 $ \tilde{\kappa}_b $에 대한 제약 조건는 무엇이며, 이는 EDM 측정 결과와 어떻게 비교되는가?

주요 결과

• 셰플리 값 분석은 $ y_b^2 $와 $ y_t^2 $ 기여를 분리하는 데 가장 구분 능력이 높은 운동학적 변수로 $ m_{bb} $, $ p_{T}^{\gamma\gamma} $, $ H_T $, 및 $ m_{b_1h} $를 규명하였다.
• HL-LHC에서 6 ab⁻¹의 데이터로, 이 방법은 $ \kappa_b $에 대해 2.2%의 민감도를 확보하였으며, 이는 $ Vh \to b\bar{b} $ 채널의 예측 한계와 일치한다.
• FCC-hh에서 30 ab⁻¹의 데이터로 민감도는 $ \kappa_b $에 대해 1% 미만으로 향상되었으며, 이는 고정밀도 $ y_b $ 결합 측정의 잠재력을 보여준다.
• DNN 혼동 행렬은 HL-LHC에서 다섯 채널 분리(신호, $ y_b^2 $, $ y_by_t $, $ y_t^2 $, $ Zh $)에 대해 약 95%의 분류 정확도를 보였다.
• 분석 결과 $ m_{bb} $만으로는 분류에 충분하지 않지만, 다른 변수들과의 상관관계가 형성하는 형태적 특징은 BDT에 의해 유용하게 활용될 수 있음을 보여주었다.
• $ b\bar{b}h $ 생성에서 $ \tilde{\kappa}_b $에 대한 제약 조건는 EDM 측정 결과와 경쟁 가능하며, 특히 복소수 $ \kappa_b $-위상 시나리오에서 두드러진다.