不同机器学习算法对顶夸克超对称伙伴信号显著性的增强

本文研究了四种不同的机器学习（ML）算法，以确定最适合从相应的标准模型（SM）背景中分辨假想的超对称信号并评估其对信号显著性影响的 ML 技术。研究聚焦于 SUSY 顶夸克超对称伙伴对（stops）的产生，质量范围为 $500<m_{\tilde{t}_1}<800$ GeV，来自质心能量 13 TeV、积分亮度 150 fb$^{-1}$ 的质子-质子碰撞，模拟 Run II LHC 加速器的取数条件。特别地，我们分析半轻子道，对应末态含一个孤立轻子（电子或缪子）、缺失横能以及四个喷注，其中至少一个被标记为 $b$-喷注。研究针对具有挑战性的压缩谱区域，其中 stop 主要衰变为一个 $W$ 玻色子、一个 $b$-喷注和一个中性微子（$\tilde{t}_1\rightarrow W+b+\tilde{\chi}_1^0$），stop 与中性微子间的质量差约为 150 GeV。所选 ML 算法涵盖了机器学习中不同的数学实现与特征。我们比较了逻辑回归（LR）、随机森林（RF）、XGBoost（XG）和神经网络（NN）算法的性能。结果表明，与基于不同运动学变量顺序筛选的标准分析方法相比，四种算法均提升了信号显著性的计算。显著性增益最高的是 NN 和 XG 分类器，平均提升超过 20%，在所考虑的 stop 质量范围内两者统计性能相当，其次是 RF（15%）。LR 在所有研究的 ML 算法中性能最差，但仍带来约 4% 的平均提升。