通过LHC上的机器学习探寻暗宇宙中的QCD扇区性质
摘要：暗物质部门的类似量子色动力学（QCD）具有几个GeV尺度的暗子，有潜力在大型强子对撞机（LHC）上产生新的信号。在本文中，我们考虑了一个几十个GeV尺度的单态标量介质，通过希格斯门连接暗物质部门和标准模型（SM）部门。我们重点研究希格斯呈现过程，$qoverline{q}' ightarrow W^{ast} ightarrow WH$，以产生高动量的希格斯玻色子。我们的方案预测了可以产生暗介质的两个不同过程：（1）从希格斯玻色子级联衰变为两个轻标量介质，然后衰变为四个暗子；（2）希格斯玻色子衰变为两个暗夸克，然后经历类似QCD的级联辐射和产生暗子的强子化。我们应用机器学习技术，如卷积神经网络（CNN）和能量流网络（EFN），对胖子结构进行分析，以区分这些信号过程和大的SM背景。我们发现，在14TeV的LHC上，希格斯玻色子分支比的上界可以被限制为小于$10\%$，当$lmathcal{L} = 3000 fb^{-1}$。
作者：Chih-Ting Lu, Huifang Lv, Wei Shen, Lei Wu, Jia Zhang
论文ID：2304.03237
分类：High Energy Physics - Phenomenology
分类简称：hep-ph
提交时间：2023-08-31