借助机器学习的标量粒子现象学

本文探讨了在超标准模型框架下研究标量粒子现象学，运用机器学习（ML）技术提升当前及未来实验室（大型强子对撞机（LHC）和高亮度 LHC（HL-LHC））中的灵敏度与发现潜力。具体研究了标准模型的标量扩展模型，如型号 III 的两个希格斯双重模型（2HDM-III）和弗罗格顿-尼尔森味因子模型。我们专注于 2HDM-III 中带电希格斯玻色子对生产，考察包含 muons、中微子和夸克喷射的最终态。我们的研究识别出与 ATLAS 合作实验报告的近期实验异常相一致的参数区域，特别是涉及 charm-bottom 夸克转换的带电希格斯衰变，并建议具体情景以实现 5σ 水平的统计显著性。在味因子模型背景下，我们分析称为味因子的新型标量粒子衰变为希格斯玻色子和一对 bottom 夸克的过程，随后考察希格斯衰变为一对 bottom 夸克或一对光子的通道。此外，我们分析了轻子种类违规过程，两者在 HL-LHC 下均实现最高可达 5σ 的发现水平。利用多变量分析技术，特别是提升决策树（Boosted Decision Trees），我们展示了在信噪比分离和现象学预测鲁棒性方面取得显著提升。本文所述的方法和分析在机器学习方法的应用下，为阐明标准模型中味因结构之谜并为未来实验搜索提供可操作的目标作出了贡献。