推断多喷注事件中的味混合

重味多喷注事件在LHC中至关重要，因为许多相关过程——如$t\bar t$、$hh$、$t\bar t h$等——对此末态有优先分支比。当前处理这些过程的技术通过$b$标记工作点进行硬分配选择，并因蒙特卡罗模拟的困难而遭受系统不确定性。我们开发了一种灵活的贝叶斯混合模型方法，同时推断数据集中的$b$标记分数分布和味混合组成。我们对多维喷注事件进行建模，并为了提高估计效率，设计了利用$b$标记分数分布的连续性和单峰性的结构化先验。值得注意的是，我们的方法消除了参数假设的需要，并且对模型误设具有鲁棒性——它适用于任意灵活的连续曲线，并且如果它们是单峰的则效果更好。我们运行了一个包含信号$bbbb$和本底$bbcc$及$cccc$的玩具推断过程，发现只需几百个事件，我们就能恢复信号和本底的真实混合比例，以及真实的$b$标记分数分布曲线，尽管它们具有任意性和非参数形状。我们讨论了将这些发现应用于物理分析中真实场景的前景。所呈现的结果可能是多喷注事件中一种不同且新颖的分析的起点，其范围可与当前最先进的分析相竞争。我们还讨论了在信号和本底具有近似已知连续分布和/或预期单峰性的一般情况下使用这些结果的可能性。