无分箱标准模型有效场论（SMEFT）分析的可细化建模

我们提出了用于估算不确定性在LHC上无分箱数据分析中的效果的技术。我们的主要关注点是约束标准模型有效场论（SMEFT）中的威尔逊系数，但该方法适用于更广泛的超标准模型（BSM）现象的参数模型。我们通过利用机器学习的似然比替代品，将已在分箱泊松计数实验中广泛采用的方法提升到无分箱情形。该方法可应用于各种理论、建模和实验不确定性。通过建立BSM和系统不确定性的常见统计框架，我们为LHC上的未来无分箱分析奠定了基础。此外，我们引入一种新型的树形提升算法，能够学习系统效应的高度准确参数化。该算法为现有工具包增添了一种灵活且稳健的替代方案。我们以SMEFT解释质子-质子碰撞中高能顶夸对产生为例，展示了我们的方法。