Improving Sensitivity to Rare Processes at the LHC with Geodesic-Aware Graph Neural Networks
本文提出了一种测地线感知图神经网络,该网络将强子组分映射到单位球面上,以利用来自软 QCD 辐射的色流信息,与标准分析相比,显著提高了对大型强子对撞机(LHC)中罕见顶夸克味中性电流 FCNC 过程的敏感度。
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
大型强子对撞机是一台旨在将质子以极高速度撞击在一起的机器,通过产生粒子流供物理学家研究,以理解宇宙的基本规则。在这些粒子中,顶夸克是已知最重的,而希格斯玻色子则是赋予其他物质质量的粒子。有时,这两类粒子会以一种被标准物理规则所禁止且极其罕见的交互方式发生作用。寻找这些罕见的相互作用就像是在沙滩上寻找一颗特定的沙粒,因为普通粒子碰撞产生的背景噪声是如此巨大且令人难以忽视。挑战在于,科学家想要寻找的稀有事件往往看起来与他们想要忽略的常见事件完全一样。当通过探测器进行测量时,两者都会产生看起来一模一样的粒子喷注,这使得利用传统的速度和方向测量方法来区分它们变得几乎不可能。
为了解决这个问题,一组研究人员开发了一种新的数据观察方法,专注于标准测量无法察觉的东西:色荷流(color charge flow)。在粒子物理世界中,夸克和胶子携带一种称为“色荷”的属性,这决定了它们如何结合在一起。当像希格斯玻色子这样的重粒子衰变为两个夸克时,这些夸克由一条单一且紧密的色荷弦相连,从而在它们周围产生特定的软、低能辐射模式。相比之下,当类似的喷注由普通的背景过程产生时,它们的色连接是杂乱且分散的,将它们与碰撞的其他部分相连,而非仅仅彼此相连。这种“色流”的差异在粒子散射的方式上留下了细微的指纹,但这个指纹通常会淹没在数据的噪声之中。
研究人员决定将这种不可见的色流视为一种几何形状。他们将每次碰撞中的粒子映射到一个球面上,就像在地球仪上放置点一样。他们根据可能来自希格斯玻色子的两个喷注,选择了一个特定的中心点来进行这种映射。通过这样做,他们可以将粒子分为两个不同的组:落在两个喷注之间区域内的粒子,以及落在该区域之外的粒子。在他们的球面图上,位于该区域内的粒子落在球体的一半,而位于该区域外的粒子则落在相反的一半。这创造了一个清晰的视觉区别:稀有的信号事件倾向于填满两个喷注之间的空间,而常见的背景事件则分布得更为均匀或集中在其他地方。
为了理解这张新地图,团队使用了一种被称为图神经网络(graph neural network)的人工智能。该程序并非仅仅将粒子视为一组数字列表,而是将它们视为一个连接的网络,其中两个粒子之间的距离是沿着球面的曲面测量的,就像测量地球上两个城市之间的距离一样。这使得计算机能够学习指示稀有事件的特定辐射模式。当他们将这种新方法与一个观察相同数据但没有进行球面映射的标准计算机程序进行对比测试时,差异是显著的。新系统能够更有效地识别出稀有事件,以更高的精度过滤掉背景噪声。
团队将这一技术应用于一项特定的搜索,即寻找顶夸克转变为希格斯玻色子和较轻夸克的现象,这一过程在标准模型中被预测发生得极其罕见,以至于从未被观测到过。他们模拟了在大型强子对撞机预期能量水平下的碰撞,并在这些模拟事件上运行了分析。结果表明,他们的几何方法可以将搜索的灵敏度提高约十倍,优于标准方法。具体而言,他们发现,利用在一定运行时间内预期的观测数据,他们的方法所能设定的该类罕见衰变发生频率的限制,大约比之前所能达到的水平低十倍。这意味着,如果这种罕见事件发生的频率仅略高于目前的限制,他们的新方法也会更有可能发现它。
需要注意的是,这些结果来自于对数据的计算机模拟,而非来自探测器中发现的新发现。研究人员使用了一个快速、简化的探测器模型来生成这些数据,并承认现实世界的条件——例如粒子与探测器材料相互作用的复杂方式——可能会改变结果。他们还指出,他们的方法依赖于关于粒子行为的假设,这些假设可能需要通过更大的数据集进行更严格的测试。然而,这项研究表明,通过改变数据的表示方式——将平面的粒子位置图转变为弯曲的几何球体——是有可能解锁此前被隐藏的信息的。这表明,在未来,通过观察粒子碰撞的“形状”,而非仅仅是其速度和能量,可能会成为寻找宇宙中最隐秘秘密的强大工具。
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。