Search for new Higgs interactions in the vector boson fusion process at a muon collider : 뮤온 충돌기에서의 벡터 보손 융합을 통한 새로운 힉스 상호작용 탐색

다국어 초록 (Multilingual Abstract)

We consider the vector boson fusion process to investigate a Higgs coupling to Beyond-the-Standard-Model (BSM) particles at a high-energy muon collider. The signal is forward muon pairs, and the BSM particles are invisible. Because of the large Standard Model backgrounds, conventional cut-based analyses have their limitations. We utilize a neural network (NN) to optimize the signal-to-background ratio. We obtain the sensitivity limits in the parameter space. When a signal is confirmed, we must verify that the Higgs indeed mediates the BSM particle production. The angular correlation of the muon pairs can be used to investigate the underlying physics. However, the background events reduce its ability. We perform a hypothesis test based on the machine learning technique and find that the signal model can be determined with high statistical significance.

국문 초록 (Abstract)

본 연구에서는 고에너지 뮤온 충돌기에서 벡터 보손 융합 과정을 통해 생성되는 힉스 보손과 표준 모형 너머 입자 간의 상호작용을 조사한다. 신호 사건은 전방향으로 방출된 뮤온과 검출되지 않는 표준 모형 너머 입자로 구성된다. 그러나 표준 모형 배경 사건의 큰 기여에 의해, 전통적인 컷 기반 분석만으로는 배경 억제에 한계가 있다. 신호 사건의 비율을 극대화하도록 신경망을 학습시키고, 매개변수 공간에서의 민감도 한계를 도출하였다. 신호 사건이 관측된 경우, 실제로 힉스 보손이 표준 모형 너머 입자 생성을 매개 했는지 규명해야 한다. 이 과정에서 뮤온 쌍의 각도 상관관계는 중요한 판별 변수로 활용될 수 있으나, 배경 사건의 존재는 해당 변수의 식별 능력을 저하시킨다. 본 연구에서는 기계 학습 기반 가설 검정을 수행하였으며, 이를 통해 통계적으로 유의미한 수준에서 서로 다른 신호 모델을 구별할 수 있음을 보였다.

목차 (Table of Contents)

• I Introduction 1
• 1 Introduction 2
• 1.1 Introduction 2
• 1.2 Outline 3
• II Theoretical Backgrounds 5
• 2 The Standard Model 6
• 3 Effective vector boson approximation and Helicity formalism 10
• 3.1 Effective vector boson approximation 10
• 3.1.1 Leading order parton distribution functions 11
• 3.2 Helicity formalism 17
• 4 Machine learning method 20
• 4.1 Usage in the analysis 22
• III Analysis 27
• 5 Signal-background discrimination 28
• 5.1 Signal process 28
• 5.2 Standard model background 30
• 5.3 Event generation 30
• 5.4 Signal-background discrimination 32
• 6 Mediator determination 36
• 6.1 Alternative models 36
• 6.2 Hypothesis test 38
• 7 Summary and conclusion 41
• Bibliography 43
• Abstract 46
• A Details on neural networks 48
• B Details on matrix elements 50
• B.1 Polarization Vectors 51
• B.2 Partonic Matrix Elements 51
• B.3 Asymptotic Formulae for the Signal Processes 53