在LHC上进行R奇偶校验违反超对称搜索的深度学习

具有最强中性变弱到三个夸克的强子R奇偶校验违反的超对称性仍然受到微弱的约束。 这项工作旨在通过增强决策树方法，结合射流子结构的附加信息，进一步改善当前对这种情况的搜索。 特别是，我们发现一个深层的神经网络在表征中性射流子结构方面表现良好。 我们首先构建一个卷积中性网络（CNN），该网络可以使用喷射图像的概念在任何信号处理中标记中性喷射。 当应用于纯射流样品时，这样的CNN在标记效率方面要胜过N子变量。 此外，我们发现该方法结合了CNN输出和射流不变质量，可以比单独的CNN更好地执行并且适用于更广泛的中性粒子质量。 最终，将ATLAS搜索具有随后衰减g〜→qq×〜10（→qqq）的胶质糖对产生的