基于深度学习在 LHC 上搜索 R 宇称破缺超对称

具有强子型 R 宇称破缺、且最轻中性微子衰变为三个夸克的超对称仍受到较弱的约束。本文旨在通过提升决策树方法并结合喷注子结构中的额外信息，进一步改进针对该情形的现有搜索。特别地，我们发现深度神经网络在刻画中性微子喷注子结构方面表现良好。我们首先构建了一个卷积中性网络（CNN），利用喷注图像的思想，能够在任意信号过程中标记中性微子喷注。当应用于纯喷注样本时，该 CNN 在标记效率上比 N-subjettiness 变量高出数倍。此外，我们发现将 CNN 输出与喷注不变质量相结合的方法表现更优，且相比单独使用 CNN 可适用于更宽的中性微子质量范围。最后，作为应用，我们重铸了 ATLAS 对胶子对产生信号及其后续衰变 $\tilde{g} \to q q \tilde{\chi}^0_1 (\to q q q)$ 的搜索。与纯样本不同，这一复杂末态中喷注间的严重污染使得 CNN 与 N-subjettiness 的判别能力相近。通过使用我们的 CNN 方法分析通过 ATLAS 截断的事件中的喷注子结构，对于约 $100$ GeV 的中性微子质量，胶子质量的排除极限可提升约 $200$ GeV。