利用自编码器在超外围碰撞和衍射事件中进行零偏置新粒子搜索

我们提出了一种无监督学习方法，用于在低本底环境中检测罕见粒子衰变和奇异强子，这些环境典型地出现在 CERN 大型强子对撞机（LHC）中的衍射事件和超外围 pp、p--A 或 A--A 碰撞，或未来电子-离子对撞机（EIC）中 ePIC 实验的 e--A 碰撞。使用一个模拟已知共振态衰变的玩具数据集，包括 $\ensuremath{{\mathrm J}/\psi}\xspace$ 和 {\ensuremath{\psi'}\xspace}，以及更奇异的候选粒子，我们实现了一个自编码器神经网络，用于识别衰变运动学中的异常。该自编码器仅基于典型事件进行训练，旨在以低误差重建正常衰变，同时基于重建误差标记异常衰变。我们证明该自编码器成功地将典型衰变与罕见奇异事件区分开来，不变质量分布中的峰值对应于注入的罕见信号。我们的方法在探测大规模对撞机数据中的罕见、未预测过程方面展现出前景，为发现超越标准模型的新物理提供了一种有效方法。