大型强子对撞机上与暗物质相关的希格斯玻色子对产生的机器学习性能

在参数化大量包含重标量粒子和暗物质候选者的简化模型背景下，我们探索了大型强子对撞机 (LHC) 上伴随缺失横向能量的双希格斯玻色子产生过程。我们的目标是确定机器学习工具相较于传统基于截断的分析方法的改进能力。具体而言，我们实施了提升决策树和神经网络，以确定在末态要求四个 $b$-jet 和大缺失能量的情况下，LHC 可测试的参数空间。我们基于达到的最大显著性，通过向两种机器学习算法输入对应于质心能量为 14 TeV 的 LHC 的不同运动学特征集，展示了它们的性能对比。两种算法表现出非常相似的性能，并显著优于传统分析，对于 1 ab$^{-1}$ 的总积分亮度，它们对大多数考虑的参数空间敏感，显著性达到证据水平，甚至取决于新重标量粒子的质量达到发现水平。我们还考虑了一种更为保守的方法，即背景存在 30\% 的系统不确定性，结果同样显示出非常有希望的显著性。