基于因子化观测量在对撞机物理中进行异常检测

为最大化高能对撞机的发现潜力，实验搜寻应对未预见的新物理情景保持敏感。这一目标推动了机器学习在无监督异常检测中的应用。本文提出一种称为 FORCE 的新异常检测策略：用于回归条件期望的因子化观测量（factorized observables for regressing conditional expectations）。我们的方法基于因子化的归纳偏置，即支配不同能标的物理可近似视为独立。假设信号与背景过程分别满足因子化，低能标与高能标观测量之间出现非平凡关联便是新物理的稳健指示。在最严格的因子化形式下，经训练以识别此类关联的机器学习模型实际上会收敛到最优新物理分类器。我们在大型强子对撞机（Large Hadron Collider）的一个基准异常检测任务上测试 FORCE，该任务涉及称为喷注（jets）的准直粒子喷流。通过梳理喷注运动学与子结构之间的关联，我们的方法能可靠提取百分量级信号比例。这一揭示新物理的策略为对撞机物理异常检测方法这一不断扩充的工具箱增添了具有互补假设集合的新成员。