利用深度学习增强顶夸克汤川耦合中CP破坏的探测

顶夸克-希格斯耦合的精确测量在粒子物理学中至关重要，为探索可能携带${\cal CP}$破坏（CPV）效应的标准模型之外的新物理提供了见解。本文研究了希格斯玻色子与顶夸克对耦合的${\cal CP}$性质，重点关注希格斯态衰变为一对$b$夸克且顶-反顶系统轻子衰变的事件。我们分析的新颖之处在于利用了两种条件深度学习网络：多层感知器（MLP）和图卷积网络（GCN）。这些模型针对选定的CPV相位值进行训练，然后用于插值从$0$到$\pi/2$的所有可能值。这使得能够全面评估所有${\cal CP}$相位值的灵敏度，从而简化了流程，因为模型只需训练一次。值得注意的是，由于基于图的神经网络结构的特性，条件GCN的性能优于条件MLP。具体而言，对于顶希格斯耦合修正因子设为1，在$\sqrt{s}= 13.6$ TeV和积分亮度为$3$ ab$^{-1}$的条件下，GCN在$95.4\%$置信水平下排除了大于$5^\circ$的${\cal CP}$相位。我们的机器学习研究结果表明，对希格斯与$t\bar t$对耦合的${\cal CP}$性质的评估可以在高亮度大型强子对撞机（HL-LHC）的范围内实现，其灵敏度定量上超过了更传统的方法。