基于证据深度学习揭示异常弱相互作用

超标准模型 (BSM) 模型和参数化的不断增长，强调在受控不确定性范围内系统性地进行模型间比较。 在此背景下，uncertainty quantification (UQ) 的语言提供定量度量，用于评估模型之间的重叠度和差异。在此工作中，我们利用最近在证据深度学习 (EDL) 中的机器学习进展，用于 UQ 将数据 (aleatoric) 与知识 (epistemic) 不确定性在模型判别设置中进行分离。在本研究中，我们构建了几个可能的 BSM 激发的异常弱相互作用 (AEWI) 场景，用于深层不连续散射中中子与中子的相互作用 ($\nu$DIS)。 然后，我们在演示中将这些场景量化映射， alongside 使用 CT18 PDF 的蒙特卡罗复制品，计算用于典型多 GeV $\nu$DIS 实验 CDHSW 的 $\Delta \chi^{2}$ 统计量。我们的框架有效地突出了模型一致性的区域，并提供了 out-of-distribution (OOD) 样本的分类。在提供识别未探索参数空间区域的机会，同时理解模型重叠的领域的情况下，本工作中提出的方法有助于高效地进行 BSM 模型探索和排除，为未来 New Physics 搜索提供支持。