[论文解读] ATLAS searches for additional scalars and exotic Higgs boson decays with the LHC Run 2 dataset

Aad, Georges, Aakvaag, Erlend+2915 more|arXiv (Cornell University)|Jan 1, 2024

Particle physics theoretical and experimental studies被引用 2

一句话总结

本文基于LHC运行2期间收集的140 fb⁻¹ 13 TeV质子-质子碰撞数据，对ATLAS实验中寻找额外标量粒子及奇异希格斯玻色子衰变进行了全面综述。研究报告了多种新物理模型的更新排除极限，识别出多个通道中持续存在的微弱超额信号，并强调了先进实验技术——尤其是机器学习与改进的味标签技术——在提升探测灵敏度和扩大参数空间覆盖范围方面的重要作用。

ABSTRACT

This report reviews the published results of searches for possible additional scalar particles and exotic decays of the Higgs boson performed by the ATLAS Collaboration using up to 140 fb$^{-1}$ of 13 TeV proton-proton collision data collected during Run 2 of the Large Hadron Collider. Key results are examined, and observed excesses, while never statistically compelling, are noted. Constraints are placed on parameters of several models which extend the Standard Model, for example by adding one or more singlet or doublet fields, or offering exotic Higgs boson decay channels. Summaries of new searches as well as extensions of previous searches are discussed. These new results have a wider reach or attain stronger exclusion limits. New experimental techniques that were developed for these searches are highlighted. Search channels which have not yet been examined are also listed, as these provide insight into possible future areas of exploration.

研究动机与目标

• 利用完整的LHC运行2数据集，系统性地搜索标准模型之外的额外标量粒子及奇异希格斯玻色子衰变。
• 利用实验数据对可行的新物理模型（如两希格斯双重模型、单重态扩展模型，以及具有奇异希格斯衰变的模型）进行约束。
• 识别并分析多个搜索通道中持续存在的微弱超额信号，这些信号可能暗示新物理的存在。
• 开发并应用先进实验技术，包括机器学习与改进的对象重建方法，以增强在复杂末态中的探测灵敏度。
• 绘制当前尚未被覆盖的信号模式，并为运行3及以后的搜索工作提供指导，特别是在高、低质量区域以及长寿命粒子方面。

提出的方法

• 利用ATLAS探测器在LHC运行2期间收集的最多140 fb⁻¹的13 TeV pp碰撞数据。
• 应用多变量分析技术，包括提升决策树与深度神经网络，以增强复杂末态中信号与背景的分离能力。
• 实施先进的喷注子结构与合并对象重建技术，以提升在强动量末态与强子喷注拓扑结构中的探测灵敏度。
• 采用数据驱动方法约束系统误差，特别是来自蒙特卡洛模拟统计与探测器效应的影响。
• 利用机器学习技术估算或排除背景贡献，减少对模拟的依赖并提高结果的鲁棒性。
• 应用基于深度学习的改进味标签算法，以增强在顶夸克与希格斯玻色子关联末态中对b-和c-夸克喷注的识别能力。

实验结果

研究问题

• RQ1 基于运行2数据，对各种衰变模式中的额外中性与带电希格斯玻色子，最强的排除极限是什么？
• RQ2 在任何希格斯玻色子衰变模式或共振态搜索中，是否存在与标准模型显著偏离的统计显著性信号？
• RQ3 先进机器学习技术如何提升在低显著性、高背景末态中的探测灵敏度？
• RQ4 哪些实验信号尚未被探索，可作为运行3及以后搜索工作的高潜力前沿？
• RQ5 当前希格斯玻色子与新物理搜索中的主要系统误差来源是什么？如何通过数据驱动方法加以缓解？

主要发现

• 未观测到具有统计显著性的新物理信号，但在多个通道中观测到微弱超额，特别是在H→bb̄、H→μμ和H→ττ末态中，提示可能存在新物理的线索。
• 在多种新物理模型中扩展了排除极限，包括2HDM、单重态与双重重子标量扩展，以及具有向隐形或（伪）标量末态衰变的奇异希格斯玻色子模型。
• 在多个通道中，本分析实现了比以往搜索更强的排除极限，特别是在共振希格斯对产生与H→ZZ*、H→WW*末态中。
• 机器学习技术显著提升了探测灵敏度，特别是在强子喷注与多喷注末态中，通过减少背景贡献并增强信号区分能力。
• 基于深度学习的改进味标签技术降低了系统误差，并提高了在顶夸克与希格斯玻色子关联末态中的探测灵敏度。
• 识别出若干未被覆盖的信号模式，如长寿命粒子、级联衰变，以及极轻或极重的共振态，这些被确定为运行3及以后搜索的高优先级目标。