面向未来 $e^+e^-$ 希格斯工厂的深度学习喷气机品牌标记

精确测量希格斯玻色子衰变为夸克和介子的过程对于探测希格斯玻色子的 Yukawa 耦合以及测试标准模型的味道结构至关重要。我们研究了在 $\sqrt{s}=240~\mathrm{GeV}$ 处的未来 $e^+e^-$ 希格斯工厂过程 $e^+e^- \to ZH$，以 CEPC 设计为基准。分析集中在具有 $Z\to\nu\bar\nu$ 和希格斯衰变 $H\to b\bar b$, $c\bar c$, $s\bar s$ 和 $gg$ 的事件中。采用最新的粒子级深度神经网络标记器（ParticleNet、Particle Transformer 和 More-Interaction Particle Transformer）进行喷气机品牌识别，其每个喷气机的输出与全局事件可观测量结合，以两阶段分析方式采用 XGBoost 分类器将四种希格斯衰变模式与占主导地位的两种和四fermion 标准模型背景分离。假设积分亮度为 $20\,\mathrm{ab}^{-1}$，我们获得了对 $\sigma(ZH)\times\mathrm{Br}(H\to X)$ 的投影相对精度为 $X=b\bar b$ 时为 0.18%，$c\bar c$ 时为 1.07%，$gg$ 时为 0.52%，$s\bar s$ 时为 78%。与 CEPC 发表结果比较，$H\to c\bar c$ 和 $H\to gg$ 的精度分别提高了约 $42$ 和 $26$。对于 $H\to s\bar s$ 我们给出约 $1.3\sigma$ 的统计显著性估计。这些结果凸显了基于深度学习的喷气机品牌标记在未来 $e^+e^-$ 希格斯工厂的精度研究中潜力。