基于机器学习的 TeV 能量下磁单极子探测

本文聚焦于磁单极子 Drell-Yan 和光子-融合机制在未来米子对撞机中产生的研究。计算研究比较了两种方法在不同中心-of-mass 能量（$\sqrt{s}$）下产生不同磁偶极矩的速度相关标量、费米子和矢量磁单极子（自旋角动量 $0,\frac{1}{2},1$）的偶极子对产生截面。两种 DY 和 PF 机制在生成器和重构水平上磁单极子的动力学分布进行比较。我们展示了如何使用基于神经网络的分类器（如提升决策树、多层感知器和似然方法）来区分磁单极子信号与最相关的标准模型背景。结果表明，这些方法在区分磁单极子信号与背景噪声方面具有高效性和鲁棒性。