深度学习模型在对撞机新物理搜索中的可迁移性

在这项工作中，我们评估了深度学习模型检测超越标准模型信号的可迁移性。为此，我们在三种不同信号模型上训练深度神经网络：通过味改变中性流产生的$tZ$、通过标准模型胶子融合产生的矢量类$T$-夸克对产生，以及通过重胶子衰变产生（质量点网格为1、1.2和1.4 TeV）。这些网络以$t\bar{t}$、$Z$+jets和双玻色子为主要背景进行训练。对每个信号基准使用独立训练于各信号的网络推断导出限制，从而能够量化其判别能力在不同信号过程中的退化。我们确定，对于训练于矢量类$T$-夸克信号的所有网络，无论其通过重胶子衰变还是标准模型胶子融合产生，限制在不确定性范围内兼容。训练于味改变中性流信号的网络虽然在其他信号上表现最弱，仍给出合理的限制。这些结果表明，即使新物理以训练时未假设的模型显现，深度学习模型仍能为新物理搜索提供灵敏度。