利用深度学习探测来自希格斯玻色子奇异衰变的高度准直光子喷流

最近，在大型强子对撞机（LHC）上寻找超出标准模型（BSM）特征的异常物体越来越受到关注。本研究调查了涉及高度准直光子的新特征，称为光子喷流。这些光子喷流可以由高度提升的 BSM 粒子产生，这些粒子在末态衰变为两个或多个准直光子。由于这些光子无法相互隔离，它们被视为单个类喷流物体，而不是多光子特征。希格斯门户模型被用作研究光子喷流特征的原型。具体而言，采用 GEANT4 模拟类 ATLAS 电磁量能器中的电磁簇射，并应用三种机器学习技术：提升决策树（BDT）、卷积神经网络（CNN）和粒子流网络（PFN），以有效将这些光子喷流特征与 SM 背景中的单光子和中性 pion 区分开来。我们的模型对光子喷流的识别效率超过 $99\%$，同时对 SM 背景的拒绝率超过 $99\%$。此外，获得了在高亮度 LHC 上搜索来自希格斯玻色子奇异衰变的光子喷流特征的灵敏度。