机器学习优化的LHC上 $U(1)_{L_\mu-L_\tau}$ 起源 $Z'$ 的搜寻

用 $U(1)_{L_\mu-L_\tau}$ 群扩展标准模型（SM）会对 $g_\mu-2$ 产生潜在显著的新贡献，允许构造现实的轻子质量矩阵，纳入轻子普适性破坏，并为暗物质（DM） sector 提供无反常媒介子。在近期分析中我们指出已发表的LHC搜寻对该模型并不敏感。此处我们应用若干机器学习（ML）算法，利用模拟LHC数据来区分该模型与SM。特别地，我们优化了 $3\mu$ 信号，其截面比 $4\mu$ 信号大得多。此外，由于双缪子加丢失 $E_T$ 末态受到涉及DM粒子的图贡献，我们也对其进行了优化。我们发现灵敏度大幅提升，仅 $36$ fb$^{-1}$ 数据即已超过已发表LHC与非LHC结果的组合。我们还强调了提升决策树的有用性：与神经网络不同，它易于从数据中提取额外信息，通过特征重要性直接与理论模型相连。同一方案可用于分析其他模型。