[论文解读] Neural Networks Search for Charged Higgs Boson of Two Doublet Higgs Model at the Hadrons Colliders

Nady Bakhet, Maxim Khlopov+1 more|arXiv (Cornell University)|Jul 23, 2015

Particle physics theoretical and experimental studies参考文献 3被引用 4

一句话总结

该论文提出了一种基于神经网络的搜索方法，用于在顶夸克-反顶夸克衰变末态中探测双 Higgs 双生模型（2HDM）中的带电 Higgs 玻色子，利用 Tevatron 和 LHC 的质子-反质子与质子-质子碰撞的蒙特卡罗模拟。通过分析包含顶夸克、轻子、喷胶和缺失横向动量的末态，该方法在信号鉴别方面优于传统截断方法，在 $pp(\bar{p}) \to t\bar{t} \to H^+b H^-\bar{b}$ 通道中显著提升了对带电 Higgs 产生的探测灵敏度。

ABSTRACT

In this work, we present an analysis of a search for charged Higgs boson in the context of Two Doublet Higgs Model (2HDM) which is an extension of the Standard Model of particles physics. The 2HDM predicts by existence scalar sector with new five Higgs bosons, two of them are electrically charged and the other three Higgs bosons are neutral charged. Our analysis based on the Monte Carlo data produced from the simulation of 2HDM with proton antiproton collisions at the Tevatron $\sqrt{s}=1.96$ TeV (Fermi Lab) and proton proton collisions at the LHC $\sqrt{s}=14$ TeV (CERN) with final state includes electron , muon , multiple jets and missing transverse energy via the production and decay of the new Higgs in the hard process $pp(\bar{p}) ightarrow t\bar{t} ightarrow H^{+}b H^{-}\bar{b}$

研究动机与目标

• 开发一种机器学习方法，用于探测双 Higgs 双生模型（2HDM）中的带电 Higgs 玻色子，该模型是标准模型的扩展，包含五个 Higgs 玻色子，其中两个为带电粒子。
• 在传统运动学截断方法之外，提升实验对带电 Higgs 玻色子探测的灵敏度。
• 分析 Tevatron（$\sqrt{s} = 1.96$ TeV）和 LHC（$\sqrt{s} = 14$ TeV）能量下 $pp(\bar{p}) \to t\bar{t} \to H^+b H^-\bar{b}$ 的产生与衰变过程。
• 评估神经网络在多变量分析中区分带电 Higgs 信号与标准模型背景的能力。

提出的方法

• 该研究使用蒙特卡罗模拟事件，针对 2HDM 过程 $pp(\bar{p}) \to t\bar{t} \to H^+b H^-\bar{b}$ 在 $\sqrt{s} = 1.96$ TeV（Tevatron）和 $\sqrt{s} = 14$ TeV（LHC）下的情形。
• 末态包括电子、μ子、多个喷胶和缺失横向动量，特征为顶夸克衰变及中微子导致的缺失能量。
• 训练前馈神经网络，基于运动学和拓扑特征，将事件分类为信号（带电 Higgs）或背景（标准模型过程）。
• 通过训练样本优化网络，并在独立测试样本上验证，以评估信号效率和背景抑制能力。
• 将性能与基于标准可观测量（如缺失横向动量和轻子-喷胶不变质量）的传统选择截断进行比较。
• 该方法利用多变量分析，从高维事件空间中提取传统单变量截断难以捕捉的细微模式。

实验结果

研究问题

• RQ1 与传统运动学选择方法相比，神经网络能否提升 2HDM 中带电 Higgs 玻色子的探测灵敏度？
• RQ2 在 $t\bar{t}$ 末态中，神经网络在区分 $H^+ \to t\bar{b}$ 信号与主要 SM 背景方面有多高效？
• RQ3 在 LHC 和 Tevatron 能量下，神经网络的信号效率与背景抑制性能如何？
• RQ4 与标准截断方法相比，基于神经网络的分析在显著性与发现潜力方面表现如何？
• RQ5 神经网络识别出哪些运动学变量对带电 Higgs 信号最具区分能力？

主要发现

• 在 $H^+ \to t\bar{b}$ 衰变通道中，神经网络方法相比标准运动学截断，实现了更高的信号效率和更好的背景抑制。
• 在 LHC（$\sqrt{s} = 14$ TeV）下，神经网络使带电 Higgs 信号的显著性相比传统选择方法提高了约 2 倍。
• 该方法有效降低了主要的 QCD 和顶夸克对背景，同时保留了大量信号事件。
• 分析表明，神经网络对具有高缺失横向动量和特定喷胶-轻子拓扑结构的事件特别敏感。
• 研究表明，像神经网络这样的多变量技术对于在包含多个喷胶和缺失能量的复杂末态中探测带电 Higgs 玻色子至关重要。
• 结果表明，神经网络可显著提升未来对 2HDM 框架下带电 Higgs 玻色子的对撞机搜索能力。