学习识别R Parity不违反标量顶端衰变

本文引入来自计算机视觉的最新改进机器学习方法，以解决粒子物理中事件分类问题。极化对称性标量顶端衰变为顶 quark和弱尺度bino样中性子，其中中性子通过$UDD$算符衰变为三个quark，这类衰变难以搜索且因此受限较少。运动衰变产物的喷流亚结构可用于区分信号与背景事件。我们应用基于transformer的计算机视觉模型CoAtNet和MaxViT处理由喷流成分构建的图像，并将分类性能与更经典的卷积神经网络（CNN）进行比较。我们发现计算机视觉的结果可良好地应用于物理应用，两个基于transformer的模型均优于CNN。通过用MaxViT取代CNN，我们发现对于某些中性子质量，$S/\sqrt{B}$提升了约2倍。我们展示，将该分类器与额外特征组合可实现强大的背景与信号分离。我们还发现，在简单模拟分析中，用MaxViT取代CNN可将停止质量的95%置信区间排除限提升约100 GeV和60 GeV，分别对应中性子质量为100 GeV和500 GeV。