November 15th, 2013
Cet article démontre un protocole de refonte des limites des modèles simplifiés expérimentales dans des limites conservatrices et agressifs sur un nouveau modèle de la physique arbitraire. Publiquement disponibles LHC résultats expérimentaux peuvent procéder à une refonte de cette manière dans les limites sur presque n'importe quel nouveau modèle de la physique avec une signature de la supersymétrie-comme.
L’objectif général de cette procédure est d’appliquer les limites existantes sur les modèles simplifiés pour compléter de nouveaux modèles physiques. Pour ce faire, il faut d’abord déconstruire le nouveau modèle physique en ses processus et modes constitutifs. La deuxième étape consiste à compiler une liste de modèles simplifiés qui couvrent les processus du nouveau modèle physique.
Ensuite, la cinématique des modèles simplifiés choisis doit être validée par rapport à la cinématique d’un point complet pour assurer une couverture complète. La dernière étape consiste à convertir les limites existantes de ces modèles simplifiés en limites du nouveau modèle physique. En fin de compte, les limites estimées à l’aide de modèles simplifiés sont utilisées pour montrer que des limites approximatives peuvent être obtenues sans études de Monte-Carlo dédiées.
Le principal avantage de cette technique par rapport aux méthodes existantes est qu’il n’est pas nécessaire de valider ou d’exécuter une simulation de détecteur pour obtenir une limite utile. Cette méthode donne aux théoriciens une nouvelle façon d’utiliser les résultats expérimentaux Les individus novices au-delà de la compréhension d’un modèle. La physique a généralement du mal à faire face à la complexité apparente des nouveaux modèles physiques.
Cependant, avec cette méthode, nous sommes en mesure de reproduire presque entièrement la cinématique du modèle complet, c’est-à-dire le petit nombre de modèles simplifiés, ce qui rend la vie beaucoup plus facile. La première étape de l’exploration de la supergravité minimale étudiée dans cette vidéo ou dans tout nouveau modèle de physique consiste à générer des événements de collision proton-proton couvrant un plan dans son espace de paramètres. Pour ce faire, utilisez une collection de logiciels qui produisent des événements avec des douches Parton et intègrent un modèle de fréquentation.
Faites passer les événements à travers le progiciel de simulation PGS avec une grande carte de paramètres de détecteur de collisionneur de hadrons, et extrayez les objets de l’état final. Ensuite, utilisez les résultats de l’événement PGS et l’enregistrement de l’événement du générateur pour classer la production de pièces en modes de décroissance. Gardez une trace de toutes les masses de particules, des mécanismes de production, des chaînes de désintégration et de leurs nombres respectifs, et utilisez-les pour calculer les fractions de ramification.
Calculez les meilleures sections efficaces de production pour le modèle d’intérêt. Lancez la reconstruction du modèle en sélectionnant un point dans l’espace des paramètres de la nouvelle physique. Modélisez le demi-plan M zéro M1 en super gravité minimale.
Déterminez les modes de production pour ce point et notez les modes importants pour le même point dans l’espace des paramètres. Déterminez les modes de décroissance importants Scannez l’espace des paramètres et répétez ces étapes jusqu’à ce qu’il existe un dictionnaire de modèles simplifiés couvrant au moins 50 % des modes de production et de décroissance ouverts du nouveau modèle physique. Ensuite, commencez à tester la qualité du modèle simplifié.
Choisissez un point représentatif du nouveau modèle de physique et construisez-y le modèle simplifié pertinent en utilisant les masses appropriées. Répétez cette opération pour plusieurs points, ce qui permet d’obtenir plusieurs modèles simplifiés. Commencez avec un modèle simplifié et pondérez-le avec un facteur proportionnel à sa fraction de production multipliée par sa fraction de ramification.
Ensuite, ajoutez un deuxième modèle pondéré au premier. Continuez à faire de même pour chacun des autres modèles afin de former une somme sur tous les modèles. Ensuite, calculez les distributions cinématiques pour les points représentatifs de supergravité minimale à l’aide de la procédure de génération d’événements et comparez-les avec celles du modèle simplifié combiné.
Si la cinématique diffère de plus de 30 %, incluez des modèles simplifiés supplémentaires pour améliorer la couverture pour la limite la plus conservatrice. Commencez la construction de la limite en considérant l’expression du nombre attendu d’événements indiquée ici. Obtenir les produits pertinents d’acceptation et d’efficacité.
Choisissez un point d’espace de paramètres et utilisez cette équation pour tester le comportement du nouveau modèle physique lorsqu’aucune hypothèse n’est faite sur des événements non explicitement inclus dans le modèle simplifié. Pour obtenir une limite plus réaliste pour le même point d’espace de paramètre. Testez le nouveau modèle physique en supposant que l’efficacité de la production associée n’est pas significativement différente de celle de la production de paires.
Pour un test limite plus agressif, le point d’espace des paramètres en supposant que les modes de production non représentés par sont explicitement inclus. Les modèles simplifiés sont comparables à ceux qui sont inclus. Pour obtenir la limite possible la plus agressive, ajoutez l’hypothèse que les modes de décroissance non représentés par l’explicitement inclus.
Les modèles simplifiés sont comparables à ceux des modèles inclus. En supposant qu’il n’y a pas d’informations sur les corrélations, utilisez la limite fixée par la région du signal avec les meilleures performances attendues. Ce graphique montre un exemple de zéro lept sur la limite d’exclusion pour les modèles de supergravité minimale avec un rapport entre les valeurs d’espérance de vide de Higgs de 10, le couplage alinéaire de zéro et un paramètre de masse positif.
Les limites combinées sont obtenues en utilisant la région du signal, qui génère la meilleure limite attendue en chaque point de l’espace des paramètres. La ligne bleue en pointillés indique la limite de niveau de confiance attendue de 95 %. Aucune incertitude systématique théorique n’est prise en compte.
La ligne rouge continue indique les résultats limites observés lors de recherches précédentes avec différents choix de paramètres. Voici les limites d’exclusion obtenues à l’aide de modèles simplifiés uniquement pour chacune des hypothèses successivement plus agressives retenues dans l’analyse. Les limites sont étiquetées par leur numéro d’équation manuscrit
.Pour faire une comparaison avec l’expérience Atlas, le produit du taux d’acceptation et de l’efficacité est interpolé. La limite d’exclusion la plus conservatrice suit la limite de la recherche dédiée dans les régions bien couvertes par les modèles simplifiés, la limite la plus agressive surestime l’exclusion jusqu’à 40 gigaoctets électronvolts dans la région dominée par le squawk et jusqu’à 100 gigaoctets électronvolts dans la région dominée par Gino. Notez que même pour le petit nombre de modèles simplifiés utilisés, les limites conservatrices fixées sont proches du résultat correct.
Après avoir regardé cette vidéo, vous devriez avoir une bonne compréhension de la façon d’utiliser les limites expérimentales existantes pour fixer une limite sur tout nouveau modèle physique. Lors de la tentative de cette procédure, il est important de se rappeler exactement quelles hypothèses ont été faites sur les états finaux et si ces hypothèses sont physiques et valides.
View the full transcript and gain access to thousands of scientific videos
Ce document présente un protocole pour traduire les limites expérimentales de modèles simplifiés en limites conservatrices et agressives applicables aux nouveaux modèles de physique. La méthodologie permet l'utilisation des résultats expérimentaux existants du LHC pour dériver des limites sur divers nouveaux modèles de physique avec des signatures similaires à la supersymétrie.
Setting experimental limits on supersymmetry and related theories is a critical challenge due to vast parameter spaces and complex model structures. The use of simplified models enables more interpretable and transferable constraints, supporting robust hypothesis testing and portfolio triage in early-stage discovery. This approach enhances predictive confidence and accelerates decision-making across theoretical and translational research pipelines.
This methodology integrates from early discovery through lead identification by enabling rapid recasting of experimental results into new theoretical frameworks.