Accelerating the BSM interpretation of LHC data with machine learning
在超越标准模型（BSM）理论的框架下对大型强子对撞机（LHC）数据的解释受到需要运行计算上昂贵的事件发生器和探测器模拟器的阻碍。因此，执行高维BSM理论的统计收敛扫描是具有挑战性的，并且在实践中对于非常高维的BSM理论是不可行的。在这里，我们提出了一种新的机器学习方法，通过学习BSM理论参数和数据之间的关系，加速解释LHC数据。作为一个概念验证，我们证明，这种技术准确地预测自然超对称信号事件在两个信号区域的高亮度大型强子对撞机，高达四个数量级比标准技术快。新的方法使得有可能快速，准确地重建复杂的BSM理论的理论参数，应在大型强子对撞机的数据被发现过剩。
2016-11-08 hep-ph stat.ML
Modern Machine Learning for LHC Physicists
本文讲义面向具备粒子物理基础的学生，系统介绍现代机器学习在LHC物理中的应用，涵盖分类、生成网络等核心方法，并强调统计损失函数、不确定性与准确性三大主题。
2025-04-24 hep-ph
Probing triple Higgs coupling with machine learning at the LHC
测量三重Higgs耦合是LHC和未来对撞机实验的关键任务。本文应用消息传递神经网络（MPNN）研究了LHC中非共振Higgs对产生过程$pp \to hh$与$2b + 2\ell + E_{\rm T}^{\rm miss}$的末态过程。虽然MPNN可以提高信号的显著性，但在LHC上观察这样的过程仍然具有挑战性。我们发现，在3000 fb $^{-1}$的LHC上，Higgs对产生截面的$2σ$上限（包括10%的系统不确定度）是SM截面的3.7倍，这将把三重Higgs耦合限制在$[-3,11.5]$的范围内.
2021-08-02 hep-ex hep-ph
Benchmarking Machine Learning Techniques with Di-Higgs Production at the LHC
高能物理分析的许多领域都开始探索机器学习技术。强大的方法可以用来识别和测量罕见的过程，从以前无法克服的背景。在大型强子对撞机上，最深刻的标准模型特征之一是通过希格斯玻色子的自耦合产生希格斯玻色子玻色子对。该过程的小横截面使得即使对于具有最大分支分数（$hh\rightarrow b\bar{b}b\bar{b}$）的衰变通道也非常难以检测。本文对各种方法（提升决策树，各种神经网络架构，半监督算法）进行了相互比较，以分类高能物理学家可用的各种技术中的一些，作为HL-LHC方法的时代。
2020-09-14 hep-ex hep-ph
A Beta Beam complex based on the machine upgrades for the LHC
欧洲核子研究中心的Beta Beam设计是基于目前的LHC注入复合体，其物理范围主要受到SPS的最大刚度的限制。事实上，LHC机器升级的一些方案，特别是快速循环1 TeV注入器（"超级SPS“）的建造，与更高的$γ$ Beta Beam的建造非常协同。在这台机器可以达到的能量，我们证明，密集量热计已经可以用于检测$ν$在遥远的位置。即使在中等质量（40 kton）下，如使用Gran Sasso现有地下大厅所施加的质量，CP范围对于任何$θ_{13}$值都非常大，这将提供在T2K出现$ν_e$或无$ν$ A（$θ_{13}\geq 3^\circ$）的证据。在CERN到Gran Sasso距离处利用物质效应，可以在$θ_{13}-δ$平面的重要区域提供对中微子质量等级的灵敏度。
2006-07-12 hep-ph
Drell-Yan Constraints on New Electroweak States: LHC as a $p p \to l^+ l^-$ Precision Machine
具有零超荷或零弱同位旋的类矢量态的标准模型扩展受电弱精密测量的约束相当差。然而，这种新的状态会改变规范耦合在高能量下的运行。因此，大型强子对撞机上的Drell-Yan过程$p p \to l^+ l^-$对这些模型施加了有用的约束。相关的观测量包括双轻子不变质量分布$M_{l l}$和前后不对称性$A_{FB}$。我们发现，LHC运行1的数据和运行2的初始数据超过了LEP的灵敏度，并且已经对这些粒子的存在提出了有意义的限制，随着数据的增加，这些限制将变得越来越强。
2017-04-16 hep-ph
Machine Learning Optimized Search for the $Z'$ from $U(1)_{L_μ-L_τ}$ at the LHC
扩展标准模型（SM）的$U(1)_{L_μ-L_τ}$组提供了潜在的重大新的贡献，$g_μ-2$，允许现实的中微子质量矩阵的建设，结合轻子普适性破坏，并提供了一个无异常介质的暗物质（DM）部门。在最近的一项分析中，我们发现已发表的LHC搜索对这个模型并不敏感。在这里，我们应用了几种机器学习（ML）算法，以便使用模拟LHC数据将该模型与SM区分开来。特别是，我们优化了$3μ$ -信号，它具有比$4μ$ -信号大得多的横截面。此外，由于$2$ -μ子加上丢失的$E_T$末态得到了涉及DM粒子的图的贡献，我们也对其进行了优化。我们发现大大提高了灵敏度，这已经为$36$ fb $^{-1}$的数据超过了已发表的LHC和非LHC结果的组合。我们还强调了提升决策树的有用性，与神经网络不同，它可以轻松地从数据中提取额外的信息，这些信息通过特征重要性直接连接到理论模型。同样的方法也可以用于其他模型的分析。
2022-02-17 hep-ex hep-ph
Effective LHC measurements with matrix elements and machine learning
LHC遗留测量的一个主要挑战是，当收集的数据是高维的并且必须对探测器响应进行建模时，似然函数是不可处理的。我们回顾了不同的分析策略如何解决这个问题，包括传统的直方图方法中使用的大多数粒子物理分析，矩阵元法，最优观测，和现代技术的基础上神经密度估计。然后，我们讨论强大的新的推理方法，使用矩阵元素信息和机器学习的组合，以准确地估计似然函数。MadMiner软件包可自动执行所有必要的数据处理步骤。在最初的研究中，我们发现这些新技术有可能大大提高LHC传统测量的灵敏度。
2019-06-04 hep-ex hep-ph physics.data-an
Detecting an axion-like particle with machine learning at the LHC
类轴子粒子（Axion-like particles，ALP）出现在各种新的物理模型中，具有自发的全局对称性破缺。当ALP的质量在MeV到GeV的范围内时，宇宙学和天体物理学的边界到目前为止相当弱。在这项工作中，我们调查这样的轻ALP通过ALP-strahlung生产过程$pp \to W^\pm a, Z a$与顺序衰减$a \to γγ$在14 TeV的LHC与3000 fb的积分亮度光度$^{-1}$（HL-LHC）。基于使用热量计塔作为图像的像素并将射流测量为图像的射流图像的概念，我们研究了基于卷积神经网络（CNN）的机器学习技术的潜力，以识别衰减为一对高度准直光子的高度增强的ALP。利用CNN标记算法，我们证明了我们的方法可以扩展当前LHC的灵敏度，并探测0.3~GeV到5~GeV的ALP质量范围。得到的界限是强于现有的限制ALP光子耦合。
2021-11-06 hep-ex hep-ph
Progress in ${\cal CP}$ violating top-Higgs coupling at the LHC with Machine Learning
本文综述LHC上顶-希格斯耦合研究进展，介绍近期机器学习算法在约束其${\boldsymbol{\rm{\textit{CP}}}}$相位中的作用，并强调Transformer和异构图等方法的未来潜力，该耦合精确测量对探索BSM新物理至关重要。
2025-04-16 hep-ph
AFTER@LHC: a precision machine to study the interface between particle and nuclear physics
我们概述了高精度研究核物理和粒子物理之间的接口的机会，这是由下一代和多用途的固定目标实验利用弯曲晶体提取的质子和离子LHC光束。
2013-09-30 hep-ex hep-ph nucl-ex
Deep Learning and its Application to LHC Physics
几十年来，机器学习在高能物理数据分析中发挥了重要作用。2012年深度学习的出现使得机器学习工具能够熟练地处理比以前可行的更高维和更复杂的问题。这篇评论针对的是熟悉高能物理但不熟悉机器学习的读者。机器学习和高能物理数据分析之间的联系进行了探讨，然后介绍了神经网络的核心概念，关键结果的例子展示了深度学习对LHC数据分析的力量，并讨论了未来的前景和关注点。
2018-06-29 hep-ex hep-ph physics.comp-ph
Probing Heavy Neutrinos at the LHC from Fat-jet using Machine Learning
我们探讨了利用机器学习方法在强子对撞机上通过过程$pp \rightarrow W^{\pm *}\rightarrow μ^{\pm} N \rightarrow μ^{\pm} μ^{\mp} W^{\pm} \rightarrow μ^{\pm} μ^{\mp} J$从它们的强子终态（包括脂肪喷射信号）中寻找重中微子的可能性。我们使用梯度提升决策树或多层感知器的方法来分析的观测纳入射流子结构的信息，这是在强子对撞机与$\sqrt{s}=$ 13，27，100 TeV。发现在观测量中，变系统的不变质量和轻子的观测量是区分信号和背景的最有力的观测量。在机器学习技术的帮助下，与基于切割的分析相比，对活性-无菌混合的限制已经提高了大约一个数量级，其中$V_{μN}^2 \lesssim 10^{-4}$用于质量为100 GeV $~<m_N<~$ 1 TeV的重中微子。
2023-03-28 hep-ph
Machine-Learning Performance on Higgs-Pair Production Associated with Dark Matter at the LHC
本文在简化模型框架下研究LHC上双希格斯伴随暗物质的产生，比较提升决策树与神经网络的性能，发现两者均显著优于传统截断分析，可在1 ab^{-1}亮度下对大部分参数空间达到证据甚至发现水平的显著性。
2024-11-21 hep-ex hep-ph
Stacking machine learning classifiers to identify Higgs bosons at the LHC
Universidade Federal de São Paulo（圣保罗联邦大学）
在粒子物理学中，机器学习（ML）算法已经被用于以高精度对信号和背景事件进行分类的问题。在本文中，我们比较了一种广泛使用的ML技术（即\emph{stacked generalization}）的性能与两种最先进算法的结果：（1）深度神经网络（DNN）在发现新的中性希格斯玻色子的任务中，以及（2）用于树提升的可扩展机器学习系统，在标准模型希格斯到τ轻子通道中，两者都在8 TeV LHC。在切割和计数分析中，\emph{stacking}三种算法的性能比DNN差约16%，但需要的计算工作量少得多，然而，相同的\emph{stacking}优于提升决策树。另一方面，在多变量统计分析（MVA）中使用堆叠分类器，与两个希格斯过程中的切割和计数相比，显着增强了统计显著性，这表明将更简单，更快的ML算法与MVA工具相结合是一种比构建复杂的切割和计数算法更好的方法。
2017-05-30 cs.LG hep-ph physics.data-an
Prospects of non-resonant di-Higgs searches and Higgs boson self-coupling measurement at the HE-LHC using machine learning techniques
研究了在LHC高能升级计划中观测到标准模型中非共振双Higgs产生的前景，即$viz.$和HE-LHC $~$（$\sqrt{s}=27~{\rm TeV}$和$\mathcal{L} = 15~{\rm ab^{-1}}$）。各种di-Higgs最终状态被认为是基于它们的清洁度和信号产率。在HE-LHC上对非共振双希格斯粒子产生的研究在$b\bar{b}γγ$、$b\bar{b}τ^{+}τ^{-}$、$b\bar{b}WW^{*}$、$WW^{*}γγ$、$b\bar{b}ZZ^{*}$和$b\bar{b}μ^{+}μ^{-}$通道中进行。信号-背景区分通过使用$~$ TMVA框架中的提升决策树解相关$~$（BDTD）算法、XGBoost工具包和深度神经网络$~$（DNN）的多变量分析来执行。在运动学的变化作为一个功能的希格斯玻色子，$λ_{h}$的自耦合的希格斯对生产，也进行了研究。还探讨了针对SM假设优化的$b\bar{b}γγ$、$b\bar{b}τ^{+}τ^{-}$和$b\bar{b}WW^{*}$搜索分析中不同$λ_{h}$的影响。
2021-01-16 hep-ex hep-ph
An investigation of over-training within semi-supervised machine learning models in the search for heavy resonances at the LHC
在粒子物理学中，半监督机器学习是一种有吸引力的选择，可以减少标准模型之外的模型依赖性搜索。当利用半监督技术训练机器学习模型以在大型强子对撞机上寻找玻色子时，必须研究模型的过度训练。相空间的内部波动和训练中的偏差会导致半监督模型由于过度拟合而在相空间内标记错误信号。半监督模型中的错误信号生成问题尚未得到充分分析，因此，利用玩具蒙特卡罗模型，必须量化这种情况发生的概率。$Zγ$共振的研究是使用纯背景蒙特卡罗样品进行的。通过提取独特的纯背景样本来模拟背景加信号区域中的ATLAS数据，多次运行可以彻底研究由于过度训练而发生这些假信号的概率。
2021-09-15 hep-ex hep-ph
The BSM-AI project: SUSY-AI - Generalizing LHC limits on Supersymmetry with Machine Learning
大型强子对撞机（LHC）的一个关键研究问题是新物理模型的测试。测试这种模型的特定参数集是否被LHC数据排除是一个挑战：它需要耗时的散射事件生成，检测器响应的模拟，事件重建，截面计算和分析代码来测试ATLAS和CMS实验定义的数百个信号区域。在BSM-AI项目中，我们用一种新的方法来应对这一挑战。机器学习工具被认为可以在几分之一毫秒内预测模型是否被排除在模型参数之外。第一个例子是SUSY-AI，在现象学超对称标准模型（pMSSM）上训练。大约300，000个pMSSM模型集-每个模型集由ATLAS测试200个信号区域-已用于训练和验证SUSY-AI。该代码目前能够在19个维度上重现ATLAS排除区域，准确率至少为93%。在约束MSSM和最小自然超对称模型中进一步验证，再次显示出高精度。SUSY-AI及其未来的BSM衍生物将有助于解决为任何新物理模型重铸LHC结果的问题。SUSY-AI可以在www.example.com下载。可以在www.example.com上找到用于快速测试目的的程序的在线界面。
2017-04-26 hep-ex hep-ph
LHC Higgs CP Sensitive Observables in H to tau^+ tau^-; tau^pm to (3pi)^pm nu and Machine Learning Benefits
在为新的测量做现象学准备时，人们寻找质量特征的载体。通常，第一种方法的数量可能难以测量或提供足够精确的预测用于比较。必要细节的复杂性随着精确度的增加而增加。要实现这一目标，就不能打破理论原则，而要考虑到以前可能忽略的影响。开发了混合方法，其中通过直观甚至简单化的方法考虑了主导效应。利用蒙特卡罗模拟控制非主导校正。最佳变量的概念被成功地应用于许多测量。机器学习等新技术提供了利用多维签名的解决方案。以希格斯玻色子CP宇称测量为例，研究了这些新方法和旧方法的互补性，并对H到tau^+tau^-，tau^pm \to nu（3 pi）^pm级联衰变进行了测量。
2019-05-14 hep-ex hep-ph
Probing Dark QCD Sector through the Higgs Portal with Machine Learning at the LHC
本研究通过Higgs门户探测暗QCD扇区，利用机器学习区分信号与背景，将分支比限制在10%以下。
2023-08-30 hep-ph
Machine Learning Techniques for Intermediate Mass Gap Lepton Partner Searches at the Large Hadron Collider
本研究将基于BDT的机器学习技术用于LHC成对轻子伙伴寻找，可突破中间质量差下的电弱本底限制，提升探测灵敏度并拓展MSSM相关参数空间的探测能力。
2024-04-17 hep-ph
Probing Higgs exotic decay at the LHC with machine learning
我们使用不同类型的深度神经网络（DNN）研究希格斯奇异衰变信号的标记，重点关注$W^\pm h$相关的产生通道，然后希格斯衰变为$n$ $b$ -夸克与$n=4$，6和8。所有的希格斯衰变产物都被收集到一个脂肪喷射器中，我们使用DNN对其进行进一步的选择。考虑了三种DNN，即卷积神经网络（CNN）、递归神经网络（RecNN）和粒子流网络（PFN）。PFN可以实现最好的性能，因为它的结构允许包容更多的信息，除了四个动量的射流成分，如颗粒ID和轨道参数。使用PFN作为一个例子，我们验证了它可以作为一个有效的标记器，即使它是在一个不同的事件拓扑与不同的$b$ -多重性从实际信号训练。在HL-LHC上，对于$n=4$、6和8，对Higgs衰变为$n$ $b$ -夸克的分支比的投影灵敏度分别为10%、3%和1%。
2022-01-24 hep-ex hep-ph
Probing Freeze-In Dark Matter via a Spin-2 Portal at the LHC with Vector Boson Fusion and Machine Learning
Department of Physics and Astronomy, Vanderbilt University（范德堡大学物理与天文学系）
本文研究了通过二重态通口产生的微弱相互作用暗物质在LHC上的碰撞现象，利用机器学习提高对费米耦合区域的探测能力，验证冻结入暗物质的宇宙学可行性。
2026-04-03 hep-ph
Entanglement and Bell Nonlocality in $τ^+ τ^-$ at the LHC using Machine Learning for Neutrino Reconstruction
University of Washington（华盛顿大学）；Tsung-Dao Lee Institute, Shanghai Jiao Tong University（上海交大李政道研究所）；Institute of Nuclear and Particle Physics, School of Physics and Astronomy, Shanghai Jiao Tong University（上海交通大学物理与天文学院核与粒子物理研究所）；State Key Laboratory of Dark Matter Physics, Key Laboratory for Particle Astrophysics and Cosmology (KLPPAC-MoE), Shanghai Key Laboratory for Particle Physics and Cosmology (SKLPPC)（暗物质物理全国重点实验室，粒子天体物理与宇宙学教育部重点实验室，上海粒子物理与宇宙学重点实验室）；PITT PACC, Department of Physics and Astronomy, University of Pittsburgh（匹兹堡大学物理与天文学院PITT PACC）
利用机器学习技术对τ⁺τ⁻系统进行量子态重构，研究其纠缠与贝尔非局域性，发现高显著性的贝尔非局域性，提出τ⁺τ⁻作为LHC量子信息研究的新基准系统。
2025-09-29 hep-ex hep-ph quant-ph
Improving sensitivity of trilinear RPV SUSY searches using machine learning at the LHC
本研究针对LHC上三线性R宇称破缺超对称搜索，用提升决策树的机器学习方法提升多轻子末态探测超规范微子的灵敏度，给出HL-LHC和HE-LHC的排除与发现轮廓，显著提升了NLSP质量的排除限。
2023-08-04 hep-ex hep-ph
Measuring asymmetries in flavor asymmetric machines
大型强子对撞机提供了一个独特的机会来研究从电弱（EW）到标准模型（SM）的QCD扇区的大量现象谱。在LHC实验中可以测量的数量中，有几种粒子在各种衰变模式下的CP和产生不对称性。在这项工作中，我们讨论了质子-质子相互作用中产生的粒子的产生和CP不对称性之间的相互作用，以及一个对另一个测量的影响。这种效应在像Tevatron或$e^+-e^-$对撞机这样的味道对称机器中是不存在的。
2010-12-30 hep-ph
Machine Learning and LHC Event Generation
本文综述机器学习在LHC事例生成与基于模拟的推断中的应用，指出二者交叉产生的新方法可提升模拟速度、精度及碰撞数据处理能力。
2022-12-28 hep-ex hep-ph
Machine learning classification: case of Higgs boson CP state in H to tau tau decay at LHC
机器学习（ML）技术正在高能物理数据分析方法中迅速找到一席之地。探讨了不同的方法，关于应该投入多少精力来构建基于物理洞察问题的高级变量，以及何时足以依赖低级变量，允许ML方法在没有明确物理模型的情况下找到模式。在本文中，我们继续讨论以前的出版物的CP状态的希格斯玻色子测量的H到τ τ衰变通道的连续τ ^pm到rho^pm nu; rho^pm到pi^pm pi^0和τ ^pm到a_1^pm nu; a_1^pm到rho^0 pi^pm到3 pi^pm级联衰变。希格斯玻色子玻色子CP态的鉴别被研究为CP偶（标量）和CP奇（伪标量）之间的二元分类问题，使用深度神经网络（DNN）。讨论了从不可直接测量的出射中微子的约束出发对分类的改进。我们发现，一旦加入，他们大大提高了敏感性，即使只有不完美的信息提供。除了DNN，我们还评估和比较了其他ML方法：提升树（BT），随机森林（RF）和支持向量机（SVN）。
2019-11-08 hep-ph
Top quark FCNC in Randall-Sundrum models: post-LHC allowed rates and searches at $e^+e^-$ and $μ^+ μ^-$ colliders
University of Maryland（马里兰大学）；Università degli Studi Roma Tre（罗马三大学）；INFN（意大利国家核物理研究所）；CERN（欧洲核子研究组织）
研究顶夸克FCNC在Randall-Sundrum模型中的允许率及在$e^+e^-$和$μ^+ μ^-$对撞机上的探测可能性。
2026-01-21 hep-ex hep-ph
Machine-Learning Analysis of Radiative Decays to Dark Matter at the LHC
Fermi National Accelerator Laboratory（费米国家加速器实验室）；Enrico Fermi Institute（恩里科·费米研究所）；Kavli Institute for Cosmological Physics（卡维利宇宙物理学研究所）；SISSA - International School for Advanced Studies（SISSA-国际先进研究学校）；Argonne National Laboratory（阿贡国家实验室）
本文利用机器学习方法研究LHC上超对称WIMP辐射衰变至暗物质的过程，证明ML技术可显著提升探测灵敏度并覆盖其他搜寻未探索的大部分参数空间。
2025-07-18 cs.LG hep-ex hep-ph
LHC Study of Third-Generation Scalar Leptoquarks with Machine-Learned Likelihoods
本研究将带无分箱方法的监督学习用于LHC第三代标量轻子夸克寻找，提升了95%置信水平排除极限，还纳入系统不确定性估计并给出更高亮度下的预期灵敏度。
2024-03-11 hep-ex hep-ph
Searches for the BSM scenarios at the LHC using decision tree based machine learning algorithms: A comparative study and review of Random Forest, Adaboost, XGboost and LightGBM frameworks
本文综述了随机森林、AdaBoost、XGBoost和LightGBM等决策树算法在LHC超对称搜索中的应用，并通过电弱微子案例证明其优于传统截断方法。
2025-07-22 hep-ex hep-ph physics.comp-ph
Probing lepton flavor mixing in $W_R$ searches with machine learning at the LHC
School of Physics and Astronomy, Sun Yat-sen University（中山大学物理学院）；Guangdong Provincial Key Laboratory of Quantum Metrology and Sensing, Sun Yat-Sen University（中山大学广东省量子计量与传感重点实验室）
利用深度神经网络分析左-右对称模型中的右手轻子味混合对重Majorana中微子产生和衰变的影响，在LHC Run 2和HL-LHC上通过Keung-Senjanović过程研究不同混合场景下的排除能力。
2026-09-22 hep-ex hep-ph
Machine Learning Approaches to Top Quark Flavor-Changing Four-Fermion Interactions in Trilepton Signals at the LHC
该研究用机器学习分类抑制 LHC 三轻子信号的主要背景，在 $t\bar{t}$ 与 $tW$ 过程中给出四费米 FCNC 能标的 95% CL 限制，并以 $Z'$ 模型解释 EFT 约束。
2025-02-25 hep-ph
Extraction of the multiplicity dependence of Multiparton Interactions from LHC pp data using Machine Learning techniques
在过去的几年里，机器学习（ML）方法已经成功地应用于高能物理中的大量问题。例如，在以前的工作中，我们已经报告说，使用ML技术可以从最小偏差pp数据中提取多部分子相互作用（MPI）活动。利用现有的LHC横动量谱数据作为多重数的函数，我们报道了在$\sqrt{s}=5.02$和131，TeV的最小偏压pp碰撞中的平均MPI数（$\langle N_{\rm mpi} \rangle$）.在这项工作中，我们将相同的分析应用于一组新的数据。我们报告说，$\langle N_{\rm mpi} \rangle$相当于$3.98 \pm 1.01$的最小偏置pp碰撞在$\sqrt{s}=7$ \，TeV。这些互补的结果表明，适度的质心能量依赖性的$\langle N_{\rm mpi} \rangle$。进一步扩展了研究，旨在提取$\langle N_{\rm mpi} \rangle$的多重性依赖的三个质心的能量。我们表明，我们的结果定性同意现有的ALICE测量敏感MPI。也就是说，$\langle N_{\rm mpi} \rangle$随着带电粒子多重性近似线性地增加。但是，它偏离了大的带电粒子多重性的线性相关性。从线性趋势的偏差可以解释为偏向更难的过程中，多重选择在中伪快度。本文报道的结果提供了额外的证据MPI在PP碰撞的存在下，他们可以更好地了解PP数据中观察到的重离子的行为是有用的…
2021-03-16 hep-ph
Using Machine Learning to Improve PDF Uncertainties
本文利用机器学习技术分析LHC上顶夸克对产生过程，针对部分子分布函数的高动量分数区域进行优化，以显著降低PDF不确定性，从而提升顶夸克极点质量等精密测量的精度。
2024-01-23 hep-ph
Using Machine Learning to disentangle LHC signatures of Dark Matter candidates
我们研究了利用机器学习（ML）技术在对撞机上表征暗物质的前景。我们专注于单喷流和丢失的横向能量（MET）通道，并提出了一套基准模型的研究：一个典型的WIMP暗物质候选人的形式超对称中性伴子，一个伪戈德斯通冒名顶替者的形状的轴子样粒子，和轻暗物质冒名顶替者的相互作用是由重粒子介导的。所有这些基准都是相互张紧的，并与主SM背景（$Z$ +喷气机）相对抗。我们的分析使用的领先顺序的运动学特征，以及一个额外的硬喷流的信息。我们探索了数据的不同表示，从简单的事件数据样本，其中运动变量的值被馈送到逻辑回归算法或全连接神经网络中，到将数据转换为与概率分布相关的图像，馈送到深度和卷积神经网络。我们还研究了我们的方法的鲁棒性，包括检测器的影响，下降的运动学变量，或改变每个图像的事件数量。在信号具有更多组合可能性的情况下（具有多于一个硬射流的事件），通过执行主成分分析来选择最关键的数据特征。我们比较了所有这些方法的性能，发现使用多个事件的组合信息的2D图像显着提高了区分性能。
2021-04-12 hep-ph
Experimental Facilities at the High Energy Frontier
讲座的主题涵盖了强子对撞机的实验工作，重点是大型强子对撞机（LHC）和最终发现希格斯玻色子的路线图。这些讲座并不是关于机器和探测器技术的系统课程，而是试图从物理学的角度概述与发现相关的许多实验方面。实际的讲座涵盖的范围比本文所记录的要广泛得多。LHC实验的成功概念得益于前几代探测器在低能机器上获得的经验。讲座还包括对大型强子对撞机未来实验方案及其机器和实验升级的展望，以及对大型强子对撞机以外高能前沿可能的设施的简短讨论。
2017-08-02 hep-ex hep-ph
Inferring identified hadron production in $pp$ collisions with physics-informed machine learning at the LHC
Indian Institute of Technology Indore（印度理工学院印多尔分校）；HUN-REN Wigner Research Centre for Physics（匈牙利研究与教育网络维格纳物理研究中心）
本文提出一种基于物理约束的神经网络，通过训练PYTHIA8模拟数据，推断不同快速度区域的强子横动量谱，模型在训练、插值和外推区域的不确定性优于XGBoost和LightGBM。
2026-05-09 hep-ex hep-ph hep-th
Pinning down Anomalous $WWγ$ Couplings at the LHC
我们仔细分析了LHC产生的$W^\pmγ$，通过轻子衰变确定了$W^\pm$，以期探索机器对异常$CP$守恒$WWγ$相互作用的敏感性。所有可用的运动学变量被使用，但我们发现，最有用的是在横向平面之间的$W^\pm$的衰变产物的开角。它表明，即使是一个头脑简单的分析，使用这个变量可以导致更大的灵敏度在大型强子对撞机比目前的相关参数的限制。
2018-05-21 hep-ph
Two-Stage Machine Learning Strategy for Scalar and Vector Leptoquark Discrimination at the LHC
Universidad Autónoma de Madrid（马德里自治大学）；Centro Atómico Bariloche, Instituto Balseiro and CONICET（巴里洛切原子中心巴尔塞罗研究所与阿根廷国家科学研究委员会）；IFLP, CONICET - Dpto. de Física, Universidad Nacional de La Plata（拉普拉塔国立大学物理系与阿根廷国家科学研究委员会拉普拉塔理论物理研究所）
本研究提出两阶段机器学习策略，用于大型强子对撞机中标量与矢量轻夸克的区分，其自旋鉴别能力与发现潜力相当，无需更大数据集即可确定轻夸克自旋性质。
2026-09-02 hep-ex hep-ph
From Qubits to Couplings: A Hybrid Quantum Machine Learning Framework for LHC Physics
Hassan II University of Casablanca（卡萨布兰卡哈桑二世大学）；United Arab Emirates University（阿联酋大学）
提出混合量子机器学习框架HyQML，结合参数化量子电路与经典神经网络，在HH→bar{b}γγ末态中实现双希格斯玻色子搜索灵敏度提升两倍，并改善希格斯自耦合κ_λ和四矢量-玻色子-希格斯耦合κ_{2V}的约束。
2025-11-19 hep-ex hep-ph
Implementation of machine learning techniques to predict impact parameter and transverse spherocity in heavy-ion collisions at the LHC
机器学习技术最近在高能物理界非常流行，并导致了该领域的许多发展。在重离子碰撞中，碰撞参量是影响末态粒子产生的重要观测量之一。这是非常小的（即几个费米的数量级），它几乎是不可能的测量碰撞参量在实验中。在这项工作中，我们实现了ML为基础的回归技术，通过梯度提升决策树（GBDT），以获得预测的碰撞参量在铅铅碰撞在$\sqrt{s_{NN}}$ = 5.02 TeV的多相输运（AMPT）模型。在小碰撞系统中成功实施后，横向球速，一种可观察到的事件形状，也有机会揭示更多关于重离子碰撞中粒子产生的信息。在没有任何实验探索，在这个方向上的LHC尚未，我们提出了一个ML为基础的回归方法来估计在$\sqrt{s_{NN}}$ = 5.02 TeV的Pb-Pb碰撞中心明智的横向球速分布，通过训练模型与最小偏差碰撞数据。在整个工作中，我们使用了一些最终状态观测值作为ML模型的输入，这可以很容易地从碰撞数据中获得。我们的方法似乎工作得很好，因为我们看到模拟的真实值和ML模型的预测值之间的良好一致性。
2021-10-08 hep-ex hep-ph nucl-ex
Reconstructing Sparticle masses at the LHC using Generative Machine Learning
本研究提出结合Transformer探测器编码器与扩散神经网络的生成式框架，在HL-LHC多种超对称粒子对产生场景中实现了高效的重粒子质量重建，验证了生成式机器学习在新物理粒子质量测量中的应用潜力。
2025-10-08 hep-ex hep-ph
New Physics Searches at the LHC through Event-based Anomaly Detection and Development of ADFilter Web-tool
本文提出基于事件的异常检测和ADFilter工具，用于在LHC上寻找新物理并提高排除限。
2025-11-26 hep-ex hep-ph
Estimation of Impact Parameter and Transverse Spherocity in heavy-ion collisions at the LHC energies using Machine Learning
最近，机器学习（ML）技术在核物理和高能物理领域取得了一系列的发展。在重离子碰撞中，碰撞的碰撞参量是影响末态粒子产生的关键观测量之一。然而，在实验中计算这样的量几乎是不可能的，因为长度范围在几个费米的水平。在这项工作中，我们实现了ML为基础的回归技术，通过提升决策树（BDT）获得预测的碰撞参量在铅铅碰撞$\sqrt{s_{\rm NN}}$ = 5.02 TeV使用多相输运（AMPT）模型。此外，我们还利用AMPT和PYTHIA 8在Angantyr模型的基础上，预测了$\sqrt{s_{\rm NN}}$ = 2.76和5.02 TeV的Pb-Pb碰撞中可观测到的事件形状，即横向球速.在小型碰撞系统中成功实施后，在重离子碰撞中使用横向球速有可能揭示重离子碰撞的新结果，其中QGP介质的产生已经建立。我们从最小偏差模拟数据的训练中预测了中心依赖的球速分布，发现基于BDT的ML技术的预测与真实的模拟数据相匹配。在缺乏实验测量的情况下，我们提出了一种基于机器学习的回归方法，从重离子碰撞中已知的终态观测值中获得横球速度。
2021-05-26 hep-ex hep-ph nucl-ex
Four photon production at the LHC: an application of 2->4 analytic unitarity
我们提出了下一个主导顺序（NLO）的预测$γγγγ$的最终状态，包括光子碎裂的影响。我们的结果是使用$D$维么正性技术完全解析计算的，并且我们讨论了对现有方法的一些改进，特别关注三质量三角系数的作用。使用这些技术，我们能够产生一个数值稳定的蒙特卡洛代码，完全运行在双精度。我们调查的$4γ$信号在对撞机，无论是运行II的大型强子对撞机和未来的机器。我们的研究结果在MCFM中得到了实现。
2014-11-12 hep-ph
Machine learning the Higgs boson-top quark CP phase
本文探讨了在高亮度LHC上通过$pp\to t\bar{t}h$通道直接测量Higgs-top CP的方法。我们表明，机器学习技术和高效的运动学重建方法的组合可以提高新的物理灵敏度，有效地探测复杂的$t\bar{t}h$多粒子相空间。特别注意的是致力于顶夸克极化观测，提升分析从原始率极化研究。通过与$h\to γγ$结合的强子、半轻子和双轻子顶对末态的组合，我们得到HL-LHC可以分别探测Higgs-top耦合修正子和CP-相，探测范围可达$68\%$ ~CL的$|κ_t|\lesssim 8\%$和$|α|\lesssim 13^{\circ}$。
2022-05-13 hep-ex hep-ph
Invariant mass reconstruction of heavy gauge bosons decaying to $τ$ leptons using machine learning techniques
针对重规范玻色子衰变至τ轻子时因末态中微子丢失导致不变质量重建困难的问题，研究监督与无监督神经网络等机器学习技术重建不变质量，以提升新物理搜索的灵敏度。
2023-04-05 hep-ex hep-ph
Charged Higgs Phenomenology in di-bjet channel with $H^{\pm} \rightarrow W^{\pm}h$ in 2HDM Type-II using Machine Learning Technique
利用LHC对$σ_{H^{\pm}}BR(H^{\pm} \rightarrow τ^{\pm}ν)$和$σ_{H^{\pm}}BR(H^{+} \rightarrow t\bar{b})$的最新合作结果，对双Higgs模型（2HDM）中带电Higgs $H^{\pm}$参数进行了约束.但它留下了$1.5 \leq tan β\leq 3$窗口未探索，其中$BR(H^{\pm} \rightarrow W^{\pm}h)$对于$m_{H^{\pm}} > m_{t}$变得相当大。本文研究了中性Higgs玻色子衰变为一对b夸克的$H^{\pm} \rightarrow W^{\pm}h$，并讨论了荷电Higgs玻色子的发现前景。特别是，通过将运动学切割和使用机器学习技术的前景进行优化，以导出在LHC发现$5 σ$所需的$σ\times BR$的值。
2022-08-04 hep-ph
Machine Learning Classification of Sphalerons and Black Holes at the LHC
本文研究在 LHC 上利用 XGBoost 和残差卷积神经网络等机器学习方法区分电弱 sphaleron 过程与不同参数下微型黑洞事件，发现少量事例即可实现有效分类，但区分相同最小质量、不同额外维数的黑洞假设需要大量事例。
2024-04-30 hep-ex hep-ph
Fast supersymmetry phenomenology at the Large Hadron Collider using machine learning techniques
如何将大型强子对撞机的研究结果与超对称性参数拟合，以测量或约束超对称性参数，是超对称现象学家面临的一个迫切问题。由于在一般的超对称空间中完全模拟大量的点来帮助计算似然性的计算费用，实验合作发表的限制经常被解释为减少参数空间的切片。例如，ATLAS和CMS都通过固定四个参数中的两个，并在剩余的两个中生成粗网格，在约束最小超对称模型（CMSSM）中给出了结果。我们证明，通过在CMSSM的全空间中生成网格，可以使用机器学习技术在LHC探测器模拟的输出之间进行插值，从而获得基于LHC的SUSY参数拟合的超快似然计算器。我们进一步研究了需要多少训练数据才能获得可用的结果，发现在CMSSM中需要大约2000个点才能将可能性预测的准确度提高到百分之几。这里提出的技术提供了一种将LHC事件率数据添加到SUSY拟合算法的一般方法，并且可以很容易地用于探索其他候选物理模型。
2011-07-07 hep-ph physics.data-an
Simulation-based Anomaly Detection for Multileptons at the LHC
类希格斯玻色子衰变为多重轻子是研究标准模型之外物理的一个重要过程。这种最终状态的一个独特特征是SM已知的精确度。因此，直接使用模拟来估计背景。目前的搜索考虑特定的模型，通常集中在那些有一个单一的自由参数，以简化分析和解释。在本文中，我们探讨了最近的建议，信号模型不可知的搜索使用机器学习的多轻子最终状态。这些工具可用于同时搜索许多模型，其中一些在大型强子对撞机上没有专门的搜索。我们发现，机器学习方法在参数空间中提供了广泛的覆盖范围，超出了当前搜索敏感的范围，与专用搜索相比，性能损失只有大约一个数量级。
2022-03-17 hep-ex hep-ph physics.data-an
Deep Learning Searches for Vector-Like Leptons at the LHC and Electron/Muon Colliders
探讨了在大型强子对撞机（LHC）以及不久的将来的μ介子和电子机器上发现单重态和二重态类矢量轻子（VLLs）的可能性。重点是一个单一的生产通道LHC直接搜索，而双生产签名提出的轻子对撞机。采用深度学习算法来确定LHC处的发现（或排除）统计显著性。虽然二重态VLLs可以探测到高达1 TeV的质量，但它们的单重态对应物具有非常低的截面，并且在LHC上几乎无法测试超过几百GeV的能量。这激发了轻子对撞机的背景下，其中一个获得更大的截面在VLL双生产通道的物理情况下分析，允许探测更高的质量制度，否则无法进入甚至LHC高光度升级。
2023-02-13 hep-ph
