寻找右旋规矩玻色子WR:ATLAS探测器13 TeV质子-质子碰撞分析

0 下载量 16 浏览量 更新于2024-07-16 收藏 1.94MB PDF 举报
"在TeV与ATLAS探测器发生碰撞时,寻找右手规矩玻色子衰减成高动量重中微子和带电轻子" 这篇论文详细探讨了在左对称模型(Left-Right Symmetric Models)的理论框架内,如何通过ATLAS探测器寻找右旋规矩玻色子WR(Right-handed Gauge Boson)。该探测器位于大型强子对撞机(Large Hadron Collider, LHC),在2015年至2017年间收集的质子-质子碰撞数据中,质心能量为13TeV,总集成光度达到了80 fb^-1。WR是一种假想的基本粒子,它是标准模型的扩展,与已知的左旋规矩玻色子W相对应。 研究的主要目标是观测WR衰变成右旋重 neutrino (NR) 和一个带电轻子(电子或μ子)的过程。这一过程的独特之处在于它涉及大半径喷流(large-radius jets),特别是那些包含电子的喷流。利用这些特征可以有效地筛选信号,因为它们有助于降低背景噪声。 论文中的搜索策略特别关注了信号事件的拓扑结构,通过对这些结构的选择,可以减少与预期信号不匹配的背景事件。分析结果表明,没有发现与标准模型预测的重大偏离,这意味着未观察到WR存在的明显证据。因此,研究人员根据实验数据在WR和NR的质量平面上设置了限制。对于质量范围在0.1-1.8 TeV的NR,WR的质量上限被限制在3.8-5 TeV之间。 这项研究的结论是,虽然目前的分析并未发现WR粒子,但其设定的限制为进一步探索超出了标准模型的新物理现象提供了重要的参考。这不仅有助于验证左对称模型的预言,也为理解宇宙的基本力和粒子性质提供了新的视角。 文章发表在《Physics Letters B》杂志的第798期,卷号为134942,是一篇开放获取的文章,可供公众免费查阅。编辑是M. Doser。该研究的提交日期为2019年4月30日,经过修订后于8月4日接受,最终在2019年9月18日在线发布。
2024-10-12 上传
2024-10-12 上传
使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。