利用异构图检验希格斯玻色子与 $\tau$ 轻子耦合的 CP 性质

我们探索了在高亮度大型强子对撞机 (HL-LHC) 上测量希格斯玻色子与 $\tau$ 轻子耦合的 CP 性质的可行性。通过详细的蒙特卡洛模拟，我们在探测器层面分析了 $\tau$ 轻子平面间角度的重建，并考虑了各种强子 $\tau$ 衰变模式。考虑到标准模型背景和探测器分辨率效应，我们采用了三种深度学习 (DL) 网络：多层感知机 (MLP)、图卷积网络 (GCN) 和图 Transformer 网络 (GTN)，以增强信号与背景的分离。为了将 CP 敏感观测量纳入图网络，我们构建了能够在同一框架内集成不同结构节点和边的异构图。我们的分析表明，GTN 相较于 GCN 和 MLP 表现出更优的效率。在简化的探测器模拟分析下，MLP 能在 68% 置信水平 (CL) 下排除大于 $20^\circ$ 的 CP 混合角，而 GCN 和 GTN 在 $\sqrt{s}=14$~TeV 和 $\mathcal{L}$$=100\rm { fb}^{-1}$ 条件下，分别能在 90% CL 和 95% CL 下实现排除。此外，这些深度学习网络在排除纯 CP-odd 态时能达到约 $3\sigma$ 的显著性。