机器学习在电子-离子对撞机上不可见暗玻色子搜寻中的应用
Machine Learning for Invisible Dark Boson Searches at the Electron-Ion Collider
- Stony Brook University（石溪大学）
- Brookhaven National Laboratory（布鲁克海文国家实验室）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本研究探讨在电子-离子对撞机上，利用核四动量转移平方$t$提升决策树能否改进不可见暗玻色子选择，结果显示仅在10 GeV时略有优势，激励进一步研究。
AI中文摘要：
我们研究了在电子-离子对撞机上，加入核四动量转移平方的正值$t$是否能使提升决策树（BDTs）相对于优化的矩形截断改进不可见暗玻色子的选择。我们在生成器层面模拟了电子-金碰撞中能量为18 GeV对100 GeV每核子的相干排他标量和矢量产生。两种方法使用相同的加权样本、输入、预选择和优化目标。仅使用电子信息时，BDT在11种质量下对每种玻色子类型的信号选择相对于优化截断没有提供一致的优势。当两种方法都使用$t$时，BDT在10 GeV下对两种玻色子类型的信号与背景区分略优于优化截断。这些结果促使进一步研究机器学习在EIC暗玻色子搜寻中通过可重建$t$的排他过程的应用。
英文摘要：
We investigate whether adding $t$, the positive magnitude of the squared nuclear four-momentum transfer, enables boosted decision trees (BDTs) to improve invisible-dark-boson selection relative to optimized rectangular cuts at the Electron-Ion Collider. We model coherent exclusive scalar and vector production at generator level in electron-gold collisions at 18 GeV by 100 GeV per nucleon. Both methods use identical weighted samples, inputs, preselection, and optimization objectives. Using only electron information, the BDT provided no consistent advantage over optimized cuts for signal selection across 11 masses for each boson type. When both methods also use $t$, the BDT distinguishes signal from background slightly better than optimized cuts at 10 GeV for both boson types. These results motivate further investigation of machine learning in EIC dark-boson searches through exclusive processes where $t$ can be reconstructed.
