基于 ParticleNet 的强子顶标量极化

顶标量物理的精度研究是大型强子对撞机计划的基石。通过衰变动力学探测极化，提供了独特的工具来检验顶标量在其各种产生模式下的行为，并探索潜在的新物理效应。然而，顶标量最常发生强子衰变，对于确定其衰变产物中敏感于顶标量极化的标识，尚无明确方法。在本文中，我们引入一种喷嘴味道标记方法，以显著提高强子衰变中自旋分析功效，超越以前研究中使用的专属动力学信息。我们提供了从味道标记与任何测量观测量集合中获得改进的参数估计，并在使用图神经网络（GNN）的模拟数据中实际演示。我们发现，假设网络效率为0.5（0.2），则强子衰变中的自旋分析功效可约提高20%（40%）。