用于 HL-LHC 异常检测的学习所得事件表征的局部诊断

异常检测旨在识别偏离 Standard Model 预期的碰撞事件，是 Large Hadron Collider 上寻找新物理最有前景的模型无关策略之一。在学习所得的低维表征中搜寻稀有事件，无需事先选定人工设计的可观测量，但也失去了这些可观测量所提供的直观物理解释。因此，要将异常检测纳入发现流程，就必须对标记出的事件进行局部诊断，既要区分潜在的新物理与建模偏差或探测器效应，也要确定可用于针对性后续搜寻的可观测量。我们在 COLLIDE-2V 上评估了监督式和自监督式神经嵌入策略。该数据集包含在真实的 High-Luminosity LHC 条件下模拟生成的 7.5 亿个事件；我们使用在学习所得潜在空间中训练的自编码器的重建误差作为异常分数。在所考察的配置和基准信号中，训练时利用模拟过程标签的监督式目标通常优于相应的自监督式目标；在最佳配置下，其表现也优于直接基于运动学特征训练的自编码器，在背景接受率为 10% 时，提高了所有留出过程的信号效率。我们进一步提出了一套局部诊断流程：对 SM 潜在空间拟合 Gaussian Mixture Model，在不使用过程标签的情况下通过高层可观测量刻画各个分量，定位标记出的事件，并按局部区分能力对可观测量排序。该排序重现了留出过程的标志性运动学特征；同时，将异常分数与同一组可观测量进行相关性分析，可以量化分数对这些可观测量变化的跟随程度，从而揭示区分能力最强的可观测量并非分数跟随最紧密的可观测量的情形。