CMS公開データで暗黒物質探索に Neural Spline Flows を適用

導入

加速器での暗黒物質探索では、暗黒物質そのものを直接観測するのではなく、検出器から逃げる粒子が残す運動量の不均衡を探す。今回の arXiv 論文は、その代表的な経路の一つである mono-Z チャンネルに注目した。暗黒物質候補が Z ボソンと同時に生成され、Z ボソンが荷電レプトン対へ崩壊する事象を対象にしている。

解析には、重心系エネルギー 13 TeV、積分ルミノシティ 2.32 fb⁻¹ に相当する CMS Run 2015D の公開データと、簡略化モデルに基づくモンテカルロシミュレーションが使われた。対象は μμ チャンネルと ee チャンネルであり、公開データを使った機械学習ベースの物理探索として興味深い事例になっている。

主要ポイント

• 公開データを用いた再解析：CMS の MINIAOD と MINIAODSIM から事象情報を取り出し、公開データだけでも本格的な解析フローを構築できることを示した。
• 高次元の運動学情報を活用：40 個の運動学的観測量を抽出し、物理的な基準でクリーニングしたうえで、37 次元の特徴ベクトルに整理した。
• Neural Spline Flows による密度推定：5 つのフローモデルを個別に訓練し、標準模型背景と媒介粒子ごとの暗黒物質信号の確率密度をモデル化した。
• 尤度比による事象スコア：各事象について、信号密度と背景密度の対数尤度比から検定統計量を構成した。これにより、単純な欠損横エネルギーの閾値だけに頼らず、相空間全体の情報を利用できる。
• 新物理の証拠はなし：μμ と ee を同時に扱う profile-likelihood フィットにより、95% 信頼水準での信号強度上限が、スカラー媒介粒子で μ<0.0177、ベクトル媒介粒子で μ<0.0362、軸性ベクトル媒介粒子で μ<0.0498 と報告された。期待上限はそれぞれ 0.0018、0.0039、0.0069 である。

意義と影響

この論文の価値は、新しい粒子を発見したことではなく、解析手法の提示にある。Neural Spline Flows は可逆な生成モデルであり、多変量の確率分布を柔軟に近似できる。高エネルギー物理では、信号と背景の分布を推定し、その比を統計検定に使うという考え方と相性が良い。

一方で、この結果は機械学習の限界も示している。高性能なモデルを使っても、検出器効果や背景モデルのずれ、系統不確かさが自動的に消えるわけではない。論文では、観測上限が期待より弱い理由を、高 MET 領域に残る背景モデリングの不一致と説明しており、暗黒物質信号とは解釈していない。

今後、より大きなデータセットや厳密な不確かさ評価と組み合わせて検証されれば、フローベースの尤度比手法は、加速器データの再解釈や異常探索、公開データ活用において有力な道具になり得る。これは AI for Science の実践例であり、物理的判断を置き換えるのではなく、探索に使える統計的手段を広げる取り組みといえる。

出典：arXiv