Inferno 在基于 CMS 开放数据的顶对截面测量中的应用

近年来，基于用神经网络构造非线性汇总统计量并通过最小化推理驱动损失而发展的新型推断技术已被提出。其中一种技术为 inferno（P. de Castro 与 T. Dorigo，Comp. Phys. Comm. 244 (2019) 170），其在玩具问题上已表明，在存在 nuisance 参数时，对于置信区间估计问题优于经典汇总统计量。为在真实应用中测试并基准化该算法，我们利用 CMS 开放数据复现了由 CMS 实验完成的、受系统误差主导的完整分析“在 sqrt(s) = 7 TeV 的 pp 碰撞中 tau+jets 信道顶-反顶产生截面的测量”（CMS Collaboration，The European Physical Journal C，2013）。将 inferno 驱动的神经网络架构应用于该分析，展示了在真实 LHC 分析中降低系统不确定性影响的潜力。本工作也例证了 LHC 分析可利用开放数据复现的程度。