高能物理 - 实验
[提交于 2024年1月10日
(v1)
,最后修订 2025年7月9日 (此版本, v5)]
标题: 未来轻子对撞机中利用深度学习技术搜索长寿命粒子
标题: Search for Long-lived Particles at Future Lepton Colliders Using Deep Learning Techniques
摘要: 长寿命粒子(LLPs)为超出标准模型(BSM)的物理提供了明确的信号。 它们具有独特的探测器特征,其衰变长度对应于约纳秒或更长的寿命。 轻子对撞机允许在干净的环境中进行LLP搜索,当与机器学习(ML)技术结合时,可以充分发挥其物理潜力。 这项实验研究利用全面的完整模拟数据样本,专注于来自希格斯衰变的LLP搜索, $e^+e^-\to ZH$。 我们证明,通过采用深度神经网络方法,对于大约50 GeV的LLP质量以及约1纳秒的寿命,LLP信号效率可以提高到95%,同时排斥所有 SM背景。 此外,对于希格斯衰变成LLPs的分支比的信号灵敏度,在统计量为 $4 \times 10^{6}$个希格斯的情况下达到了最先进的极限 $9.7 \times 10^{-7}$。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.