Study of enhancing the signal-background separation for the Higgs boson production in association with a single top-quark in $pp$ collisions at the LHC
本文提出了一种带有掩码机制的深度全连接神经网络,旨在增强大型强子对撞机(LHC)中希格斯玻色子与单个顶夸克伴随产生(tH)这一稀有过程的信号与背景分离能力,并利用来自运行阶段 1、2 和 3 的模拟数据,证明了其相比于传统基于截断的方法具有更优越的统计显著性。
原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明
宇宙是由一小组基本粒子通过不可见的力相互作用构建而成的,这一框架被物理学家称为标准模型。在该理论的核心,是2012年被发现的希格斯玻色子,它解释了其他粒子是如何获得质量的。虽然科学家们已经证实了它的存在,但他们仍需以极高的精度测量其属性,以观察当前的理论是否成立,或者是否存在指向新的、尚未被发现的物理学的裂缝。研究希格斯玻色子最困难的方法之一,是观察它与单个顶夸克(已知最重的基本粒子)同时出现。这种特定的组合非常罕见且难以捕捉,因为通过这种方式产生的希格斯玻色子经常会被大量其他更常见的、看起来几乎完全相同的粒子碰撞所淹没。
一个研究小组开发出一种新方法,利用先进的计算机学习技术,将这种稀有的信号从压倒性的背景噪声中分离出来。他们模拟了数百万次质子-质子碰撞,类似于大型强子对撞机中发生的碰撞,以此为“数字大脑”创造了一个训练场。这个被称为深度神经网络的“大脑”,被教导去识别希格м斯玻色子与单个顶夸克同时出现的稀有事件,与那些模仿它们的常见事件之间细微的区别。研究人员发现,通过使用一种专门处理数据中缺失信息的技术,他们的系统能够以更高的准确度识别这些稀有事件,显著提高了在真实实验中观测到这一微妙过程的可能性。
寻找这种特定粒子相互作用的挑战在于,它发生的概率极低。在大型强子对撞机的超高能碰撞中,希格斯玻色子与单个顶夸克共同产生的过程受到一种被称为“破坏性干涉”的量子力学效应的抑制。这意味着物理定律的自然法则使得这一事件发生的频率远低于其他类似的物理过程。当它发生时,它产生的粒子会衰变成其他粒子的喷流,包括能量喷注和一个带电轻子。然而,许多常见的碰撞也会产生几乎完全相同的碎片喷流。这就像是在一个不断被波浪重塑的海滩上,试图寻找一颗特定的沙粒,而你寻找的那颗沙粒看起来与周围数百万颗沙粒完全一样。
为了解决这个问题,研究人员转向了机器学习方法。他们没有尝试设定僵化的规则来剔除不需要的事件,而是构建了一个神经网络——一种受人类大脑启发的计算机程序——使其能够学习复杂的模式。他们向网络输入了来自数百万次模拟碰撞的数据,并将每一次碰撞标记为他们想要的稀有信号,或是他们想要忽略的常见背景噪声。该网络学会了权衡每次碰撞中的数十种不同测量值,例如粒子的能量和方向,从而判断一次事件是否很可能是那个稀有信号。
这项研究中的一个关键创新在于网络如何处理某些粒子缺失的事件。在某些碰撞中,探测器可能无法捕捉到每一个粒子,从而留下数据空白。传统方法在处理这些空白时往往表现不佳,要么丢弃该事件,要么将缺失的数据视为零,这会误导计算机。研究人员设计了一种特殊的机制,告诉网络有效地忽略数据的缺失部分,而不让计算机从这些空白空间中学习。这使得网络能够专注于实际存在的粒子,从而使决策更加精准且可靠。
团队将这种新方法与依赖于简单“截断”(例如忽略任何未达到特定能量阈值的事件)的标准方法进行了对比测试。结果显示出了显著的提升。通过使用这种先进的神经网络,研究人员能够使用标准的计数法实现 3.73σ 的统计显著性,并使用更复杂的基于形状的分析实现 4.64σ 的显著性。在粒子物理学领域,这种程度的提升至关重要,因为它将对这一稀有过程的观测从简单的“预筛选”提升到了“强证据”的水平,尽管它仍未达到实现确定性发现所需的 5σ 阈值。
该研究是使用基于模拟数据的计算进行的,其模拟的数据量相当于大型强子对撞机预计在数年运行中所收集的数据总量。虽然这些结果是基于模拟而非真实的探测器数据,但它们为未来的实验提供了强大的路线图。研究人员指出,现实世界的情况(例如探测器在识别某些粒子时存在的不完美效率)可能会降低最终的灵敏度,但他们开发出的方法提供了一个强大的工具,用以最大化成功的机会。通过优化数据分析方法,科学家们希望很快就能在这一稀有通道中证实希格斯玻色子的属性,从而可能揭示关于宇宙基本结构的全新见解。
您所在领域的论文太多了?
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。