面向 LHC 上用深度学习预判暗物质信号的方法
高能物理 - 唯象学
2022-03-09 v3 机器学习
高能物理 - 实验
摘要
我们利用神经网络研究了若干简化暗物质（DM）模型及其在 LHC 上的信号。我们聚焦于通常的单喷注加缺失横能道，但为训练算法我们将数据组织为二维直方图而非逐事件数组。这带来了区分仅标准模型（SM）与 SM 加新物理信号的巨大性能提升。我们使用运动学单喷注特征作为输入数据，从而能用单一数据样本描述模型族。我们发现若以 的函数呈现，神经网络性能不依赖于模拟的背景事件数，其中 与 分别为每直方图的信号与背景事件数。这为该法提供了灵活性，因为此种情况下测试特定模型仅需知道新物理单喷注截面。此外，我们还讨论了在关于真实 DM 本质的错误假设下网络的性能。最后，我们提出了多模型分类器，以更通用的方式在下次 LHC 运行中进行新信号的搜寻与识别。
引用
@article{arxiv.2105.12018,
title = {Towards a method to anticipate dark matter signals with deep learning at the LHC},
author = {Ernesto Arganda and Anibal D. Medina and Andres D. Perez and Alejandro Szynkman},
journal= {arXiv preprint arXiv:2105.12018},
year = {2022}
}
备注
52 pages, 29 figures, 3 tables. v2: Added a subsection to briefly discuss and compare event-by-event combination versus histogram or ensemble classifiers. v3: minor changes