利用机器学习提高LHC上三线性R宇称破坏超对称搜索的灵敏度

在这项工作中，我们探讨了多轻子末态在探测具有特定违反轻子数三线性耦合（$\lambda_{ijk}$）非零的R宇称破坏超对称情景的胶微子 sector 中的灵敏度。胶微子谱使得末态中的带电轻子可来自最轻超对称粒子（LSP）的R宇称破坏衰变以及次轻超对称粒子（NLSP）的R宇称守恒衰变。除详细的基于截断的分析外，我们还使用提升决策树算法进行了基于机器学习的分析，其提供了更好的灵敏度。在具有非零 $\lambda_{121}$ 和/或 $\lambda_{122}$ 耦合的情景中，末态中的LSP对以 $100\%$ 分支比衰变为 $4l~(l = e, \mu) + \rm E{\!\!\!/}_T$ 末态。我们已表明，在此情况下，具有 $\ge 4l$ 的末态在探测胶微子质量方面具有最高灵敏度。我们还讨论了由于其他三线性耦合选择在末态中存在 $\tau$ 轻子时灵敏度如何变化。我们通过估计胶微子质量平面中针对HL-LHC和HE-LHC的发现与排除轮廓来呈现结果。对于 $\lambda_{121}$ 和/或 $\lambda_{122}$ 非零情景，使用基于机器学习的算法，NLSP质量的预计2$\sigma$排除极限在HL-LHC和HE-LHC分别达到2.37 TeV和4 TeV。我们在27（14）TeV LHC上NLSP质量的预计2$\sigma$排除极限获得了 $\sim$ 380（190）GeV的提升。考虑 $\lambda_{133}$ 和/或 $\lambda_{233}$ 非零情景的相同末态（$N_l \geq 4$），我们发现相应的2$\sigma$预计极限对于HL-LHC和HE-LHC分别为 $\sim$ 1.97 TeV和 $\sim$ 3.25 TeV。