利用机器学习在LHC上探测暗物质

我们研究了一种WIMP暗物质（DM）候选粒子，其形式为$Z_3$对称的次最小超对称标准模型（NMSSM）中的以单态微子为主的最轻超对称粒子（LSP）。该框架产生了暗物质通过与附近希格斯微子类电弱微子协同湮灭而获得的参数空间区域，且暗物质直接探测信号被抑制，即所谓的"盲区"。另一方面，对撞机信号仍然具有前景，因为希格斯微子向以单态微子为主的LSP和光子发生增强的辐射衰变，而非向轻子或强子衰变。与具有轻玻色微子和弱微子类电弱微子的MSSM情景相比，NMSSM允许通过级联辐射衰变产生含多个光子的末态，提供了独特的对撞机信号。这激发了对辐射衰变中性微子的搜寻，然而这些信号面临巨大的背景挑战，因为衰变产物通常由于LSP与希格斯微子类协同湮灭伙伴之间的质量差（$\Delta m$）较小而偏软。我们应用了一种数据驱动的机器学习（ML）分析，提高了对这些微弱信号的灵敏度，为传统搜寻策略提供了强有力的补充，以发现新的物理情景。使用$14~\mathrm{TeV}$下$100~\mathrm{fb}^{-1}$的LHC积分亮度，该方法对希格斯微子质量高达$225~\mathrm{GeV}$（$\Delta m\!\lesssim\!12~\mathrm{GeV}$）实现了$5\sigma$发现可达范围，对质量高达$285~\mathrm{GeV}$（$\Delta m\!\lesssim\!20~\mathrm{GeV}$）实现了$2\sigma$排除。这些结果凸显了对撞机搜寻在探测当前直接探测实验无法发现的暗物质候选粒子方面的能力，并为LHC合作组使用机器学习方法进行搜寻提供了动力。