利用机器学习改善未来强子对撞机上的重 Dirac 中微子探测前景

本工作中，我们利用机器学习方法研究了高能强子对撞机上逆跷跷板机制中重伪 Dirac 中微子 $N$ 的灵敏度。信号产生过程为 $pp \to \ell N \to 3 \ell + E_T^{\rm miss}$，而主要本底为 $p p \to W Z \to 3 \ell + E_T^{\rm miss}$。我们使用多层感知机或带梯度提升的提升决策树来分析运动学可观测量并优化本底与信号事件的判别。研究发现，由带电轻子与缺失横向能量重建的 $Z$ 玻色子质量与重中微子质量在信号与本底分离中起关键作用。利用机器学习，在 $\sqrt{s}=14$ TeV、27 TeV 和 100 TeV 的强子对撞机上估计了轻重中微子混合 $|V_{\ell N}|^2$（$\ell = e,\,\mu$）的探测前景，发现对于重中微子质量 $m_N = 100$ GeV，$|V_{\ell N}|^2$ 可改善至 ${\cal O} (10^{-6})$，而对于 $m_N = 1$ TeV 可改善至 ${\cal O} (10^{-4})$。