Exploring the SMEFT landscape: Bayesian Model Selection for indirect discovery
Este artículo propone un marco de selección de modelos bayesiano que utiliza algoritmos genéticos para navegar el paisaje del SMEFT como un espacio de hipótesis de operadores en competencia, demostrando que este enfoque produce caracterizaciones más robustas de los coeficientes de Wilson y una identificación más clara de las correlaciones entre modelos que los ajustes globales tradicionales cuando se aplican a los datos del LEP y del LHC.