基于机器学习的暗物质辐射衰变分析
高能物理 - 唯象学
2025-07-21 v3 机器学习
高能物理 - 实验
摘要
寻找弱相互作用物质粒子（WIMP）是高亢度大型Hadron碰撞器（HL-LHC）的主要目标之一。本文使用机器学习技术探索WIMP通过辐射衰变进入暗物质（DM）候选人的路径。在最小化超对称WIMP子系统中，最轻的中性子可以通过与第二轻中性子和最轻chargino的共灭实现观察到的DM残留密度。此外，直接DM探测交叉截面率满足当前实验边界，为同一模型参数区域中的辐射衰变提供了发现目标，即第二轻中性子衰变为光子和最轻中性子。强烈动机表明，尽管这种辐射衰变搜索面临强烈背景，但我们通过基于cut-based和机器学习方法探索LHC的探寻力度，估计其在这一深受动机的新物理情景下的发现潜力。我们演示，使用机器学习技术即可访问大部分由其他搜索方式探索不到的参数空间。
引用
@article{arxiv.2410.13799,
title = {Machine-Learning Analysis of Radiative Decays to Dark Matter at the LHC},
author = {Ernesto Arganda and Marcela Carena and Martín de los Rios and Andres D. Perez and Duncan Rocha and Rosa M. Sandá Seoane and Carlos E. M. Wagner},
journal= {arXiv preprint arXiv:2410.13799},
year = {2025}
}
备注
26 pages + references, 8 figures, 3 tables, 3 appendices. This version matches the manuscript published in JHEP