大型强子对撞机上斯法勒龙与黑洞的机器学习分类

在具有大额外维度的模型中，大型强子对撞机（LHC）的高能质子-质子碰撞可能产生“微型”黑洞（BH）。在半经典 regime 下，这些 BH 发生热衰变，产生包含喷注和轻子的大多重数末态。另一方面，电弱 sphaleron/instanton 诱导过程的产生也预期产生类似的末态。我们研究当 LHC 上观测到 BH 或类 sphaleron 事件时，能否利用机器学习（ML）方法区分这些情形。我们还考察了具有不同额外维度数和最小 BH 质量的若干 BH 情形之间的分类。在本研究中，我们考虑三种 ML 模型：采用（1）高层级与（2）低层级输入的 XGBoost 算法，以及（3）残差卷积神经网络。在后一种情况下，低层级探测器信息被转换为三层分箱事件图像的输入格式，其中每个 bin 的值对应于各探测器子系统中沉积的能量。我们证明，仅需少量探测事件便足以有效区分 sphaleron 与 BH 过程。在通过预选的约 10 个事件量级上即可实现具有不同最小质量的 BH 情形之间的分离。若产生截面不小于当前极限 ~0.1 fb 太多，则在 Run-2 与 Run-3 合并数据中可观测到足够数量的事件。然而我们发现，要区分具有相同最小 BH 质量但额外维数不同的 BH 假设，需要大量事件。