使用机器学习在LHC上探索广泛的$$ t \ bar {t} $$共振

"在M_{t\bar{t}}之外：学习在LHC上寻找广泛的t\bar{t}共振" 这篇研究文章探讨了在大型强子对撞机（LHC）上利用机器学习技术寻找广泛共振的新方法。传统的粒子探测策略通常依赖于在不变质量谱中寻找尖锐的峰值来识别新粒子，但许多超出标准模型的新物理模型预测的共振可能并不呈现这种特征。在这种情况下，研究人员采用了深度神经网络（Deep Neural Network, DNN）来挖掘更丰富的信息。 文章指出，尽管不变质量M_{t\bar{t}}在识别t\bar{t}对共振时依然有价值，但仅依赖这个指标可能不足以检测到宽共振。研究团队发现，非共振区域的数据、角度相关性（即顶夸克对的相对方向信息）、动量传输（p_T）以及顶部喷流的质量等额外信息对于探测宽共振同样至关重要。这些因素结合起来，可以显著提升LHC对宽共振的敏感度，而且这种方法的效率并不强烈依赖于共振的宽度。 文章还强调了如何评估机器学习模型提供的信息。在机器学习中，理解和评估模型的性能是至关重要的，这包括选择合适的性能指标（如准确率、精确率、召回率、F1分数等），以及使用交叉验证来确保模型的泛化能力。此外，模型的可解释性也是一个关键问题，因为理解模型如何从数据中学习和提取特征对于物理学家来说是必要的。 通过这种方法，不仅可能改进宽共振的搜索策略，还有可能对窄共振搜索产生积极影响。研究团队的应用表明，机器学习技术为粒子物理学带来了新的分析工具，能够处理复杂的数据模式，从而可能揭示标准模型之外的新物理现象。 参考文献： Eur.Phys.J.C(2020)80:105, https://doi.org/10.1140/epjc/s10052-020-7672-9 Sunghoon Jung, Dongsub Lee, Ke-Pan Xie, "Beyond Mt¯t: learning to search for a broad t¯t resonance at the LHC", Regular Article - Theoretical Physics, Center for Theoretical Physics, Department of Physics and Astronomy, Seoul National University, Seoul 08826, South Korea. 请注意，上述内容是对原始资源的详细解读，旨在提供关于利用机器学习在LHC上寻找宽共振粒子的详细信息。