利用人工智能在 Tau 衰变 (τ⁻→μ⁻μ⁻μ⁺) 中识别轻子味破坏

中微子振荡的发现证明了中微子确实具有质量，揭示了当前标准模型 (SM) 理论中粒子的不匹配。理论上，中微子具有质量可能导致轻子味不再是对称，即所谓轻子味破坏 (LFV)。尽管 SM 理论的扩展允许 LFV 过程，但其分支比过小，即使使用迄今为止最强大的设备也无法观测。为此，近年来科学家们从 LHCb 与蒙特卡洛模拟的结合数据中生成类 LFV 过程，试图利用人工智能 (AI)（特别是机器学习 (ML) 和深度学习 (DL)）来识别 LFV。本文展示了多种 AI 算法在识别 LFV 信号中的性能，具体包括 XGBoost、LightGBM、自定义一维密集块神经网络 (DBNN) 和自定义一维卷积神经网络 (CNN)，所识别的 LFV 信号为 τ⁻→μ⁻μ⁻μ⁺ 衰变，数据来自模拟该衰变特征的组合 LHCb 与蒙特卡洛模拟数据。还进行了 Kolmogorov-Smirnov (KS) 和 Cramer-von Mises (CvM) 检验，以验证各训练算法预测的有效性。结果显示，除 LightGBM 因未通过 CvM 检验、以及 20 层 CNN 因记录的 AUC 相当低之外，各算法表现尚可；而 XGBoost 与 10 层 DBNN 记录了最高的 AUC 0.88。本文的主要贡献是开展了涉及不同层数的自定义 DBNN 与 CNN 算法的广泛实验，这些算法在过去几年中极少用于识别类 LFV 特征，而不像 GBM 与基于树的算法在该任务中更为流行。