LHCb 上关于大双轻子不变质量 $R_K$ 的研究、可扩展的 Python 拟合以及基于 GNN 的在线事例解释

粒子物理标准模型已得到充分确立，但近期显示出与实验观测的张力。本论文的大部分篇幅致力于首次测量衰变 $B^+ \rightarrow K^+ \mu^+ \mu^-$ 与 $B^+ \rightarrow K^+ e^+ e^-$ 的分支比之比（称为 $R_K$），且针对高双轻子不变质量区域。所呈现的分析使用了 LHCb 实验在 2011-2018 年间收集的质子 - 质子碰撞完整数据集，对应积分亮度为 9 $fb^{-1}$。$R_K$ 的最终结果目前仍处于盲态。所开发分析的灵敏度估计为 $\sigma_{R_K}^{\mathrm{stat}} = 0.073$ 和 $\sigma_{R_K}^{\mathrm{stat}} = 0.031$。除了在高双轻子不变质量下对 $R_K$ 进行精密测量外，本论文还包含两个技术主题。首先是一种通过执行完整事例解释来选择 LHCb 探测器中事例内粒子的算法，称为 DFEI。该工具基于多个图神经网络（Graph Neural Networks），旨在应对当前及未来 LHCb 探测器升级中亮度的增加。与当前方法的比较表明，其在带电粒子的衰变重建和选择方面表现出至少相当、有时更优的性能。其效率主要独立于亮度，这对未来升级至关重要。其次是一个名为 zfit 的用于似然模型拟合的 Python 包。Python 编程语言在高能物理领域的日益普及产生了对灵活、模块化且高性能拟合库的需求。zfit 包很好地融入了 Python 生态系统，得益于其计算后端 TensorFlow，具有高度可定制性和快速性。