通过图神经网络和 XGBoost 提升 $HH\to b\bar{b} \gamma\gamma$ 探测灵敏度
高能物理 - 唯象学
2026-02-11 v2 高能物理 - 实验
摘要
本文探讨了使用先进机器学习技术来增强双希格斯玻色子搜索在 衰变通道中的灵敏度，具体为 13.6 TeV。实施并比较了两种 ML 模型：一种基于 XGBoost 的树形分类器，和一种几何图神经网络分类器 (GNN)。我们显示，几何模型超过传统 XGBoost 分类器，通过 28% 改进双希格斯玻色子产生交叉截获的预期 95% 置信区间上限。我们的结果与最新的 ATLAS 实验结果进行了比较，显示在上限和希格斯玻色子自耦合 () 约束方面都有显著改进。
引用
@article{arxiv.2508.01449,
title = {Boosting Sensitivity to $HH\to b\bar{b} \gamma\gamma$ with Graph Neural Networks and XGBoost},
author = {Mohamed Belfkir and Mohamed Amin Loualidi and Salah Nasri},
journal= {arXiv preprint arXiv:2508.01449},
year = {2026}
}