大型强子对撞机上基于拓扑特征共振态搜索的机器学习方法
高能物理 - 实验
2021-11-29 v3 高能物理 - 唯象学
摘要
共振态的观测是大型强子对撞机（LHC）上超出标准模型新物理的确凿证据。迄今为止，inclusive 与模型依赖的搜索均未提供新共振态的证据，表明其可能由微妙拓扑所驱动。在此，我们使用基于弱监督的机器学习技术来执行搜索。基于混合样本的弱监督可用于搜索对产生机制知之甚少或毫无先验知识的共振态。此外，它的优势在于可使用侧带或控制区以最小程度依赖模拟来有效建模背景。然而，单独弱监督在识别感兴趣多维空间的角落时效率极低。相反，我们提出一种搜索新共振态的方法，其包含基于特征与拓扑的分类流程。在此分类之后，将弱监督与深度神经网络（Deep Neural Network）算法结合应用。该策略的性能在 SM 希格斯玻色子产生并衰变为一对光子的 inclusive 搜索及 LHC 上针对特定产生模式定制的相空间独占区域上进行了评估。在验证了该方法提取不同 SM 希格斯玻色子信号机制的能力后，我们在 LHC 上建立了高能末态新现象的搜索。
引用
@article{arxiv.2011.09863,
title = {Machine learning approach for the search of resonances with topological features at the Large Hadron Collider},
author = {Salah-eddine Dahbi and Joshua Choma and Bruce Mellado and Gaogalalwe Mokgatitswane and Xifeng Ruan and Benjamin Lieberman and Turgay Celik},
journal= {arXiv preprint arXiv:2011.09863},
year = {2021}
}
备注
26 pages, 14 figures, 4 tables, This is a preprint of an article accepted for publication in International Journal of Modern Physics A