利用边缘卷积网络改进对有效顶夸克相互作用的约束

我们探索了图神经网络（GNN）在提升高维有效场论参数拟合对撞机数据性能方面的潜力，超越了传统的基于矩形截断的微分分布分析方法。在本研究中，我们聚焦于$pp \to t\bar t$产生（包括顶夸克衰变）的SMEFT分析，其中线性有效场形变由十三个独立的威尔逊系数参数化。GNN的应用使我们能够压缩多维相空间信息，通过直接考虑所有可用的末态关联，从而区分BSM效应与SM预期。当GNN输出直接用作EFT区分工具时，贡献的新物理耦合数量很快会导致统计局限性。然而，基于最小化SM贡献的选择，当反映为对通常用于通过微分分布寻找SM非共振偏差的包容性数据样本的（非矩形）选择时，会增强拟合的灵敏度。