利用机器学习增强缪子对撞机上的暗物质搜寻：以单希格斯通道为案例研究
高能物理 - 唯象学
2023-09-21 v1
摘要
在高能对撞机上搜寻暗物质(DM)候选粒子是理解这一宇宙神秘组分本质最有前景的途径之一。大型强子对撞机(LHC)上的若干搜寻已强烈约束了多种简化模型。LHC界限与直接探测实验的结合排除了最极简的标量单态暗物质模型。为此，轻子门户暗物质模型是合适的候选者，其中DM主要在轻子对撞机上产生，因为DM候选者仅通过携带轻子数的媒介子与轻子 sector 相互作用。本文中，我们在极简轻子门户暗物质模型框架下，分析未来缪子对撞机上伴随一个衰变为两个底夸克的希格斯玻色子的DM对产生。研究发现，通常基于截断的分析方法无法探测重DM质量，无论是分辨态(希格斯玻色子的衰变产物可分辨为两个分离良好的小-R喷注)还是合并态(希格斯玻色子聚为一个大-R喷注)。我们随后构建了基于提升决策树(BDTs)的搜寻策略。我们优化了BDT模型的超参数，以同时获得高信号-本底比并避免过训练效应。我们发现，相对于基于截断的分析，信号显著性得到极为重要的提升，提升因子为8–50，取决于 regime(分辨态或合并态)与基准点。在单维参数空间扫描中使用该BDT模型，我们发现质心能量√s=3 TeV、积分亮度L=1 ab⁻¹的未来缪子对撞机可在95% CL排除高达1 TeV的DM质量。
引用
@article{arxiv.2309.11241,
title = {Boosting dark matter searches at muon colliders with Machine Learning: the mono-Higgs channel as a case study},
author = {Mohamed Belfkir and Adil Jueid and Salah Nasri},
journal= {arXiv preprint arXiv:2309.11241},
year = {2023}
}
备注
22 pages, 9 figures, and 11 tables