机器学习用于Electroweakino生产

轻型electroweakino与重型squark的系统构成了LHC检测中最具挑战性的信号之一。其特征为强纵向能（missing transverse energy）反冲少数 hadronic 喷流，喷流来源于QCD辐射或squark衰变。该分析通常因大型不可约Z+喷流背景（$Z \to \nu \bar\nu$）而受限。本研究探索机器学习（ML）方法以实现信号/背景的有效判别。我们的最佳方案同时利用重构对象（喷流、失能 transverse energy等）和低层（particle-flow）对象。发现，当软粒子pT阈值从10 GeV降至1 GeV时，判别性能提升，代价为更大的系统不确定性。在许多情况下，ML方法可使$S/\sqrt{(S + B)}$提升约为二分之一。我们在Run-3和HL-LHC等离子度假设下推导了对squark-electroweakino质量平面的灵敏度。此外，我们还探讨了输入特征与网络分类性能之间的关系，以揭示背景/信号判别过程中所利用的物理信息。