摘要：当欧洲核子研究中心的科学家在305fb⁻¹海量数据中识别出希格斯玻色子衰变为μ子对的明确证据时，这标志着粒子物理学迈入了精密测量的新时代。ATLAS合作组宣布，经过严格统计分析，H→μμ衰变过程的观测显著性已达到3.4标准差，远超3000分之一的误判概率阈值。
信息来源：https://www.sciencedaily.com/releases/2025/08/250825015657.htm
当欧洲核子研究中心的科学家在305fb⁻¹海量数据中识别出希格斯玻色子衰变为μ子对的明确证据时，这标志着粒子物理学迈入了精密测量的新时代。ATLAS合作组宣布，经过严格统计分析，H→μμ衰变过程的观测显著性已达到3.4标准差，远超3000分之一的误判概率阈值。这一突破不仅为第二代费米子质量生成机制提供了直接验证，更重要的是，它展示了现代粒子物理实验在极端罕见过程探测方面的技术成就。
在粒子物理学的标准模型框架中，希格斯场被认为是赋予所有基本粒子质量的根本机制。然而，希格斯玻色子与不同代粒子的相互作用强度存在显著差异，这种差异直接反映在各种衰变过程的发生概率上。μ子作为电子的重型同胞，其质量约为电子的207倍，与希格斯场的耦合强度介于轻子和重子之间，使得H→μμ衰变成为检验希格斯机制普遍性的理想探针。
数据分析技术的革命性进展
此次研究成功的关键在于数据处理技术的根本性突破。传统的粒子物理实验分析主要依靠预设的物理模型和相对简单的统计方法，而ATLAS团队采用了基于深度学习的先进算法，能够在复杂的多维参数空间中识别极其微弱的信号模式。
研究团队面临的最大挑战是信号与背景的分离。在大型强子对撞机的高能质子碰撞中，每次碰撞都会产生大量粒子，其中绝大多数μ子对来自其他物理过程，如Z玻色子衰变、重味夸克衰变等。希格斯玻色子衰变产生的μ子对仅占总数的万分之一，需要极其精密的筛选技术才能从背景噪声中提取出来。
ATLAS 的研究人员发现了希格斯玻色子转变为μ子的证据，并进一步完善了对其他罕见衰变的搜索，进一步拓展了我们对这种神秘粒子的认知极限。图片来源：Shutterstock
ATLAS物理学家开发了多变量分析框架，综合考虑μ子对的不变质量、横向动量、角度分布以及伴随的喷注活动等多个观测量。通过机器学习算法训练，系统能够识别出希格斯玻色子衰变事件的独特"指纹"，将信号纯度提升到前所未有的水平。
更为复杂的是H→Zγ衰变过程的分析。这种衰变通过量子环图机制实现，涉及虚粒子的中间态跃迁。环图过程对新物理现象极其敏感，任何超出标准模型的新粒子都可能在虚粒子环中留下痕迹，导致衰变概率出现可观测的偏差。然而，Z玻色子衰变为轻子对的分支比仅为6%，加上Run-3期间更高的堆积效应，使得真实光子与喷注碎片的区分变得极其困难。
研究团队通过改进光子识别算法和开发新的背景抑制技术，将H→Zγ过程的探测灵敏度提升到2.5标准差水平。虽然尚未达到发现的统计要求，但这已经为该衰变道的分支比测量提供了迄今最严格的约束。
理论验证与新物理探索的双重意义
H→μμ衰变证据的确认具有深远的理论意义。首先，它验证了希格斯机制在第二代费米子中的有效性。根据标准模型预测，希格斯玻色子与各种粒子的耦合强度应当与粒子质量成正比，μ子衰变道的观测结果与这一预期高度吻合，进一步巩固了希格斯机制作为质量生成根本原理的地位。
更重要的是，精确测量不同衰变道的分支比为寻找新物理现象提供了敏感途径。如果存在超出标准模型的新相互作用，它们很可能导致某些衰变过程的概率出现微小但可观测的偏差。目前的测量结果虽然与标准模型预测一致，但随着统计精度的不断提高，任何系统性偏差都将变得清晰可见。
H→Zγ衰变过程在新物理搜索中扮演着特殊角色。由于这种衰变只能通过环图过程发生，它对可能存在的新粒子贡献极其敏感。即使新粒子的质量远超当前对撞机的直接探测范围，它们仍可能通过虚态效应在环图过程中留下印记。当前2.5标准差的观测结果为标准模型之外的物理设定了严格的约束条件。
欧洲核子研究中心理论部门的专家指出，这些精密测量为验证电弱对称性破缺机制提供了关键数据。希格斯场的存在不仅解释了粒子质量的起源，还是电弱统一理论的核心组成部分。通过比较不同衰变道的测量结果与理论预测，物理学家能够检验量子场论在高能标度下的自洽性。
展望未来，随着高亮度大型强子对撞机项目的推进，预计到2030年代累积的数据量将增加10倍以上。届时，H→μμ衰变的测量精度将达到标准模型预测值的几个百分点，足以发现任何微小的新物理效应。同时，更多罕见衰变道如H→τμ、H→eμ等味违反过程也将进入实验探测范围，为超对称、额外维度等新物理理论提供决定性检验。
这次研究成果的发布恰逢粒子物理学发展的关键时刻。在标准模型取得巨大成功的同时，暗物质、暗能源等宇宙学谜题提醒我们，现有理论框架仍不完整。希格斯物理的精密研究为突破现有理论限制、探索更深层次的自然规律提供了最有前景的途径之一。
来源：人工智能学家
