[论文解读] Higgs self coupling measurement

D. Boumediene, Gay, Pascal|ArXiv.org|Jan 6, 2008

Particle physics theoretical and experimental studies参考文献 1被引用 3

一句话总结

本文针对在国际线性对撞机上以 $\sqrt{s} = 500~\text{GeV}$ 的 $e^+e^-$ 碰撞测量希格斯自耦合 ($\lambda_{\rm hhh}$) 的可行性进行了研究，采用基于神经网络的事件选择和 $b$-标签技术以分离 $\rm hhZ$ 信号。研究发现，当探测器性能优化时，$\lambda_{\rm hhh}$ 的预期精度可达 19%，显著优于基线的 28%。

ABSTRACT

A measurement of the Higgs self coupling from e+e- collisions in the International Linear Collider is presented. The impact of the detector performance in terms of $b$-tagging and particle flow is investigated.

研究动机与目标

• 评估通过国际线性对撞机上的 $e^+e^- \to \rm Z\rm h\rm h$ 过程测量三重希格斯自耦合 ($\lambda_{\rm hhh}$) 的可行性。
• 评估探测器性能（特别是 $b$-标签效率和粒子流分辨率）对 $\lambda_{\rm hhh}$ 测量精度的影响。
• 利用神经网络和 $b$-味标签优化事件选择策略，以最大化信号显著性并最小化背景污染。
• 确定最小化 $\lambda_{\rm hhh}$ 不确定性的最优 $b$-标签效率，平衡信号保留与 $c$-喷注误判。

提出的方法

• 使用 Whizard 和 PYTHIA 对 $\rm hhZ$、$\rm hZ$、$\rm hZZ$、$\rm ZZ$、$\rm ZZZ$、$\rm W^+W^-Z$、$\rm e^+e^-ZZ$ 以及 $\rm e^\pm\nu ZW^\mp$ 过程的信号和背景事件进行了模拟。
• 通过参数化蒙特卡洛模拟建模探测器响应，指定能量分辨率：ECAL 的 $\Delta E / \sqrt{E} = 10.2\%$，HCAL 的 $\Delta E / \sqrt{E} = 40.5\%$。
• 训练神经网络以区分三种末态中的 $\rm hhZ$ 与背景：$\rm Z \to q\bar{q}$、$\rm Z \to \ell^+\ell^-$ 和 $\rm Z \to \nu\bar{\nu}$，输入变量包括事件形状变量、二喷注质量组合以及全局 $b$-味含量。
• 利用信号显著性指标 $\delta = s / \sqrt{s + b}$ 优化事件选择，结合神经网络输出与全局 $b$-标签结果，以最大化信号与背景之比。
• 通过基于神经网络输出与 $b$-标签分布的二维似然最大化方法提取截面。
• 对粒子流分辨率（$\Delta E / \sqrt{E}$ 从 0% 到 130%）和 $b$-标签效率（$\epsilon_b$ 从 40% 到 95%）进行系统扫描，评估其对 $\lambda_{\rm hhh}$ 精度的影响。

实验结果

研究问题

• RQ1 在 ILC 上使用标准探测器性能，通过 $\rm hhZ$ 产生过程测量希格斯自耦合 ($\lambda_{\rm hhh}$) 的预期精度是多少？
• RQ2 粒子流分辨率如何影响 $\lambda_{\rm hhh}$ 的不确定性？改进粒子流算法能带来多大增益？
• RQ3 何种 $b$-标签效率 ($\epsilon_b$) 能使 $\lambda_{\rm hhh}$ 的不确定性最小化？对应的 $c$-喷注误判率是多少？
• RQ4 优化 $b$-标签和粒子流后，对实现给定 $\lambda_{\rm hhh}$ 精度所需亮度的降低程度如何？
• RQ5 基于神经网络和 $b$-含量的事件选择策略在 $\rm hhZ$ 通道中如何提升信号灵敏度？

主要发现

• 当 $b$-标签效率为 90% 且粒子流分辨率为 $30\% / \sqrt{E}$ 时，$\lambda_{\rm hhh}$ 的预期精度为 28%。
• 当 $b$-标签效率优化至 $\epsilon_b \approx 67\%$ 时，精度提升至 19%，对应 $c$-喷注误判率 $\epsilon_c \approx 3\%$。
• 对于 $\epsilon_b = 90\%$，$\lambda_{\rm hhh}$ 的不确定性从完美粒子流时的 29% 降低至较差分辨率时的 37%，表明更好的粒子流可使精度提高 1.3 倍。
• 提升粒子流分辨率可使精度提高 1.3 倍，相当于在相同精度下将所需亮度降低 1.7 倍。
• 最优 $b$-标签效率为 $67\%$，在信号保留与 $c$-喷注污染之间达到最佳平衡，从而最小化 $\lambda_{\rm hhh}$ 的总体不确定性。
• 优化后的神经网络选择与 $b$-标签结合，可实现信号显著性 $\delta = 5.2$，在 $2~\text{ab}^{-1}$ 亮度下预期有 72 个信号事例和 128 个背景事例。