Machine-Learning Analysis of Radiative Decays to Dark Matter at the LHC

要約

弱相互作用物質粒子 (WIMP) の探索は、高輝度大型ハドロン衝突型加速器 (HL-LHC) の主な目的の 1 つです。
この研究では、機械学習 (ML) 技術を使用して、超対称フレームワークで暗黒物質 (DM) 候補への WIMP 放射減衰を調査します。
最小の超対称 WIMP セクターには、2 番目に軽いニュートラリーノおよび最も軽いチャルジーノとの共消滅を通じて、観測された DM 遺物密度を提供できる最も軽いニュートラリーノが含まれています。
さらに、直接 DM 検出断面積率は現在の実験限界を満たし、2 番目に軽いニュートラリーノの光子への放射減衰と最も軽いニュートラリーノが強化されるモデル パラメーターの同じ領域の発見ターゲットを提供します。
このことは、放射崩壊するニュートラリーノの探索を強く動機付けていますが、強力なバックグラウンドに悩まされています。
私たちは、カットベースおよび ML 法を用いて、これらの放射崩壊粒子の探索における LHC の到達範囲を調査し、この十分に動機付けられた新しい物理シナリオにおける発見の可能性を推定します。

要約(オリジナル)

The search for weakly interacting matter particles (WIMPs) is one of the main objectives of the High Luminosity Large Hadron Collider (HL-LHC). In this work we use Machine Learning (ML) techniques to explore WIMP radiative decays into a Dark Matter (DM) candidate in a supersymmetric framework. The minimal supersymmetric WIMP sector includes the lightest neutralino that can provide the observed DM relic density through its co-annihilation with the second lightest neutralino and lightest chargino. Moreover, the direct DM detection cross section rates fulfill current experimental bounds and provide discovery targets for the same region of model parameters in which the radiative decay of the second lightest neutralino into a photon and the lightest neutralino is enhanced. This strongly motivates the search for radiatively decaying neutralinos which, however, suffers from strong backgrounds. We investigate the LHC reach in the search for these radiatively decaying particles by means of cut-based and ML methods and estimate its discovery potential in this well-motivated, new physics scenario.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google