利用机器学习区分大型强子对撞机中暗物质候选者的信号
高能物理 - 唯象学
2021-06-23 v3
摘要
我们研究了利用机器学习(ML)技术在 Collider 上刻画暗物质的前景。我们聚焦于单喷注和缺失横能量(MET)通道，并提出了一组用于研究的基准模型：以 SUSY 中性微子形式出现的典型 WIMP 暗物质候选者、以类轴子粒子形态伪装的赝戈德斯通(伪 Goldstone)粒子，以及由重粒子介导相互作用的轻暗物质伪装粒子。所有这些基准模型相互对立，并与主要的标准模型背景(+jets)对立。我们的分析同时使用了领头阶运动学特征以及额外硬喷注的信息。我们探索了数据的不同表示方式，从将运动学变量数值输入逻辑回归算法或全连接神经网络的简单事件数据样本，到将数据转换为与概率分布相关的图像并输入深度神经网络和卷积神经网络。我们还研究了方法在包含探测器效应、丢弃运动学变量或改变每幅图像事件数情况下的鲁棒性。对于具有更多组合可能性的信号(含多个硬喷注的事件)，通过主成分分析(PCA)选取最关键的数据特征。我们比较了所有这些方法的性能，发现使用多事件组合信息的 2D 图像能显著提升区分性能。
引用
@article{arxiv.1910.06058,
title = {Using Machine Learning to disentangle LHC signatures of Dark Matter candidates},
author = {C. K. Khosa and V. Sanz and M. Soughton},
journal= {arXiv preprint arXiv:1910.06058},
year = {2021}
}
备注
21 figures, 6 tables, minor revision