大型强子对撞机,有什么作用

常务管理员

大型强子对撞机(LHC)产生的质子-质子对撞中，可能会产生大量对强相互作用敏感的新粒子——前提是它们不太重。这些粒子可能是超对称性(SUSY)预测的胶子和夸克的伙伴，超对称性是粒子物理标准模型的一个拟议扩展，它将扩大其预测能力，包括更高的能量。在最简单情况下，这些“gluinos”和“s夸克”将成对产生，并直接衰变为夸克和一个新的稳定中性粒子(“neutralino”)，后者不会与ATLAS探测器发生作用，中微子可能是暗物质的主要成分。

ATLAS的合作从大型强子对撞机运行早期就一直在寻找这个过程。物理学家们一直在研究以强子“喷射”为特征的碰撞事件，在垂直于碰撞质子的平面上，这些喷射的动量存在很大不平衡(“缺少横向动量”，ETmiss)。失去的动量会被无法探测到的中微子带走。到目前为止，地图集搜索已经导致对最小质量夸克和胶子的限制越来越严格。有可能用更多的数据做得更好吗？产生这些重粒子的概率随着质量呈指数级下降，因此，在更大的数据集上，重复前面的分析只能到此为止。

需要新的、复杂的方法来更好地区分SUSY信号和背景标准模型事件，以便进一步进行这些分析。关键改进可能来自于提高选择信号事件的效率。在加拿大多伦多举行的轻子光子研讨会上，ATLAS的合作展示了新结果，说明了更先进分析技术所带来的好处，这些技术在其他搜索渠道中处于领先地位。由于使用了两种相辅相成的方法，新分析的灵敏度大大提高。在第一种方法中，称为“多箱搜索”，将事件分类为两个可观测值定义的箱：有效质量和ETmiss显著性。

这些特征描述了相互作用中所涉及的能量量(如果产生了大的重粒子)，以及观测到的ETmiss，是如何不太可能由逃逸中微子而不是对喷射能量的错误测量造成。一次定义最多24个正交箱，搜索对大量不同质量的gluinos、squarks和neutralinos非常敏感。第二种方法称为“增强决策树(BDT)搜索”，它使用机器学习分类算法来更好地识别潜在信号。通过蒙特卡罗仿真对信号和背景事件的预测，利用喷射流的一些运动学特性和ETmiss最终状态对BDTs进行了训练。

定义了8个这样的判别器，每一个都针对参数和模型空间的不同区域进行了优化。新结果使用了完整的LHC Run 2数据集，该数据集对应于139 fb-1的整体亮度，并且在信号丰富区域的观测事件数量和标准模型预测之间没有显示任何显著差异。因此，在假设不同情况下，对胶子、夸克和中性子的质量设定了排斥极限。对于多箱搜索，可以同时承担所有箱的强度，增加分析的排除能力。