利用机器学习在大型强子对撞机上探测希格斯奇异衰变

我们研究使用不同类型的深度神经网络（DNNs）对希格斯奇异衰变信号进行标记，聚焦于$W^\pm h$联合产生道，随后希格斯衰变为$n$个$b$夸克，其中$n=4$、6和8。所有希格斯衰变产物被收集到一个胖喷注中，我们进一步使用DNNs对该喷注进行筛选。考虑了三种DNNs，即卷积神经网络（CNN）、递归神经网络（RecNN）和粒子流网络（PFN）。PFN可实现最佳性能，因为其结构允许在喷注组分的四动量之外纳入更多信息，例如粒子ID和径迹参数。以PFN为例，我们验证了其可作为高效标记器，即使它是在与实际信号具有不同$b$多重度和不同事件拓扑的数据上训练的。在HL-LHC上对希格斯衰变为$n$个$b$夸克分支比的预期灵敏度分别为10%、3%和1%，对应$n=4$、6和8。