基于深度神经网络的 $W^\pm$ 极化分析器

在本文中，我们训练了一个卷积神经网络(CNN)，以增强的 $W^{\pm}$ 喷注的图像作为输入，对纵向和横向极化的强子 $W^\pm$ 进行分类。这些图像捕获了来自喷注组分的角向和能量信息，忠实于原始夸克/反夸克 $W^{\pm}$ 衰变产物的性质，而无需侵入性的子结构截断。我们发现极化之间的差异过于细微，以至于该网络无法用作逐事件的标记器。然而，给定一个极化未知的 $W^{\pm}$ 事件集合，该集合的平均网络输出可用于提取纵向分数 $f_L$。我们在标准模型 $pp \to W^{\pm}Z$ 事件上以及存在扰动极化组成的六维算符时的 $pp \to W^{\pm}Z$ 上测试了该网络。