面向 LHC 端到端模型无关搜索的异常保持对比神经嵌入

异常检测——识别超出标准模型预测的偏差——是大型强子对碰撞实验中的关键挑战，由于数据集的规模和复杂性。通常通过将高维探测器数据转换为低维、物理上有意义的特征来解决此问题。我们通过对比神经嵌入学习强大的低维表示来解决特征提取问题，这种方法保留了可能指示新物理学异常的特征，能够使用基于机器学习的统计方法对信号无关的假设检验实现稀有信号提取。我们比较了监督式和自监督式对比学习方法，针对 MLP 和 Transformer 基础神经嵌入，在 LHC 碰撞事件中物理对象的 kinematic 可观测量上进行训练。所学得的嵌入作为 inclusive 最终状态中 signal-agnostic 统计检测方法的输入表示。我们在多样化的最终状态中实现了对稀有新物理信号和稀有标准模型过程的发现能力的显著提升，表明其适用于同时高效搜索多种信号。我们研究了架构选择、对比损失形式、监督程度和嵌入维度对异常检测性能的影响。我们表明，背景分类最佳表示并不一定最大化对新物理信号的灵敏度，这揭示了在保留背景结构和增强异常方面存在一种内在权衡。我们演示了将压缩与领域知识相结合用于标签编码可产生最有效的数据表示，用于统计发现异常。