QCD因式分解的机器学习模板用于超越标准模型的物理搜索

高多样性全卤代最终状态对于搜索标准模型以外的物理而言是重要但困难的最终状态。 一种强大的搜索方法是寻找由于单个硬喷头内有多个硬质部分而具有意外子结构的大型喷气弹。 在此搜索中估计背景的一种方法是在量子色动力学中采用近似因式分解，从而仅由其运动学特性确定射流质量分布。 传统上，这种方法是使用在背景丰富区域中构建的直方图执行的。 我们提出了一种基于生成对抗网络（GAN）的新方法。 这些神经网络方法自然是不受约束的，可以很容易地适应多种射流特性。 除了为此目的使用香草GAN之外，还研究了对传统WGAN方法的一种修改，其中权重裁剪被自然紧凑集（在这种情况下为圆形）中的权重所代替。 香草方法和改进的WG