用机器学习约束有效的领域理论

我们提出了强大的新分析技术,以约束大型强子对撞机的有效领域理论。 通过利用粒子物理学过程的结构,我们从蒙特卡洛模拟中提取了额外的信息,这些信息可用于训练估计似然比的神经网络模型。 这些方法可很好地扩展到具有许多可观察到的参数和理论参数的过程,不需要parton淋浴或检测器响应的任何近似值,并且可以在几微秒内进行评估。 我们表明,它们使我们能够对六维算符施加比现有方法明显更大的限制,这表明它们有潜力提高LHC传统约束的精度。