論文の概要: Shedding Light on Dark Matter at the LHC with Machine Learning

• arxiv url: http://arxiv.org/abs/2509.15121v1
• Date: Thu, 18 Sep 2025 16:27:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.329176
• Title: Shedding Light on Dark Matter at the LHC with Machine Learning
• Title（参考訳）: 機械学習によるLHCにおける暗黒物質への遮光
• Authors: Ernesto Arganda, Martín de los Rios, Andres D. Perez, Subhojit Roy, Rosa M. Sandá Seoane, Carlos E. M. Wagner,
• Abstract要約: 我々は,Z_3$-symmetric Next-to-Minimal Supersymmetric Standard Modelにおいて,Singlino-dominated Lightest Supersymmetric Particle (LSP) の形でWIMPダークマター(DM)候補を検証した。 この枠組みは、近傍のヒグシノ様エレクトロウェキノとの共消滅によりDMが得られ、DM直接検出シグナルが抑制されるパラメータ空間の領域を生じさせる。 我々は、これらの微妙な信号に対する感度を向上させるデータ駆動機械学習(ML)分析を適用し、新しい物理シナリオを発見するための従来の検索戦略を強力に補完する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate a WIMP dark matter (DM) candidate in the form of a singlino-dominated lightest supersymmetric particle (LSP) within the $Z_3$-symmetric Next-to-Minimal Supersymmetric Standard Model. This framework gives rise to regions of parameter space where DM is obtained via co-annihilation with nearby higgsino-like electroweakinos and DM direct detection~signals are suppressed, the so-called ``blind spots". On the other hand, collider signatures remain promising due to enhanced radiative decay modes of higgsinos into the singlino-dominated LSP and a photon, rather than into leptons or hadrons. This motivates searches for radiatively decaying neutralinos, however, these signals face substantial background challenges, as the decay products are typically soft due to the small mass-splits ($\Delta m$) between the LSP and the higgsino-like coannihilation partners. We apply a data-driven Machine Learning (ML) analysis that improves sensitivity to these subtle signals, offering a powerful complement to traditional search strategies to discover a new physics scenario. Using an LHC integrated luminosity of $100~\mathrm{fb}^{-1}$ at $14~\mathrm{TeV}$, the method achieves a $5\sigma$ discovery reach for higgsino masses up to $225~\mathrm{GeV}$ with $\Delta m\!\lesssim\!12~\mathrm{GeV}$, and a $2\sigma$ exclusion up to $285~\mathrm{GeV}$ with $\Delta m\!\lesssim\!20~\mathrm{GeV}$. These results highlight the power of collider searches to probe DM candidates that remain hidden from current direct detection experiments, and provide a motivation for a search by the LHC collaborations using ML methods.
• Abstract（参考訳）: 我々は,Z_3$-symmetric Next-to-Minimal Supersymmetric Standard Modelにおいて,Singlino-dominated Lightest Supersymmetric Particle (LSP) の形でWIMPダークマター(DM)候補を検証した。 この枠組みは、DMが近くのヒグシノ様エレクトロウェキノと共消滅して得られるパラメータ空間の領域を生じさせ、DM直接検出が抑制され、いわゆる 'blind spots' が生じる。 一方、コライダーのシグネチャは、レプトンやハドロンではなく、シンリノに支配されたLSPと光子へのヒグシノの放射減衰モードの増強により、引き続き有望である。 これは放射的に崩壊するニュートラルミノの探索を動機としているが、これらのシグナルは、LSPとヒグシノ様のコアニヒレーションパートナーの間の小さな質量分裂(デルタm$)のため、一般的に崩壊生成物はソフトであるため、重大な背景課題に直面している。 我々は、これらの微妙な信号に対する感度を向上させるデータ駆動機械学習(ML)分析を適用し、新しい物理シナリオを発見するための従来の検索戦略を強力に補完する。 LHC集積光度は100〜\mathrm{fb}^{-1}$114〜\mathrm{TeV}$で、ヒグシノ質量が最大で225〜\mathrm{GeV}$$$\Delta m\! \lesssim\! 12~\mathrm{GeV}$と、$285〜\mathrm{GeV}$と$2\Delta m\! \lesssim\! 20〜\mathrm{GeV}$。 これらの結果は、現在の直接検出実験から隠れたDM候補を探索するコライダー探索の力を強調し、ML法によるLHC協調による探索のモチベーションを提供する。

関連論文リスト

• Unsupervised Discovery of Intermediate Phase Order in the Frustrated $J_1$-$J_2$ Heisenberg Model via Prometheus Framework [0.0]
  本稿では,Prometheus変分オートエンコーダフレームワークを適用して,J_1$-$J$位相図を探索する。 構造因子 $S(,)$ と $S(,)$ を支配的順序パラメータとして同定する。 この研究は、フラストレーションのある量子システムに機械学習を適用するためのスケーラブルな経路を確立する。
  論文  参考訳（メタデータ） (2026-02-25T00:44:51Z)
• Bounds on Lorentz-violating parameters in magnetically confined 2D systems: A phenomenological approach [0.0]
  本稿では、磁区2次元電子系を用いて最小のSME係数を$a_mu$および$b_mu$で制限する枠組みを提案する。 有効質量を持つ非相対論的(Schr"odinger--Pauli)極限で働くと、円筒ジオメトリーのラジアル問題を導出する。
  論文  参考訳（メタデータ） (2025-10-28T11:11:59Z)
• Testing Bell inequalities and probing quantum entanglement at CEPC [5.473273466387532]
  円電子陽電子衝突型加速器(CEPC)におけるベル型不平等の量子絡み合いとテスト違反に関する研究 本研究は, ヒッグス粒子が250ドルGeVで崩壊した際のZ$ボソン対生成の高速シミュレーションに基づく。 量子絡み合いの存在は、2$sigma$信頼レベル以上で探索される。
  論文  参考訳（メタデータ） (2024-10-22T13:48:06Z)
• Machine-Learning Analysis of Radiative Decays to Dark Matter at the LHC [0.0]
  高輝度大型ハドロン衝突型加速器(HL-LHC)の主目的の一つは、弱い相互作用を持つ物質粒子(WIMP)の探索である。 この研究では、機械学習(ML)技術を用いて、超対称フレームワークにおけるWIMP放射崩壊をダークマター(DM)候補に探索する。
  論文  参考訳（メタデータ） (2024-10-17T17:38:44Z)
• Inertial Confinement Fusion Forecasting via Large Language Models [48.76222320245404]
  本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfLPI-LLM$を紹介する。 我々は、$textitLLM-anchored Reservoir$, augmented with a $textitFusion-specific Prompt$を提案する。 また、最初の$textttLPI$ベンチマークである$textbfLPI4AI$も提示します。
  論文  参考訳（メタデータ） (2024-07-15T05:46:44Z)
• Horizon-free Reinforcement Learning in Adversarial Linear Mixture MDPs [72.40181882916089]
  我々のアルゴリズムが $tildeObig((d+log (|mathcalS|2 |mathcalA|))sqrtKbig)$ regret with full-information feedback, where $d$ is the dimension of a known feature mapping is linearly parametrizing the unknown transition kernel of the MDP, $K$ is the number of episodes, $|mathcalS|$ and $|mathcalA|$ is the standardities of the state and action space。
  論文  参考訳（メタデータ） (2023-05-15T05:37:32Z)
• Fast Rates for Maximum Entropy Exploration [52.946307632704645]
  エージェントが未知の環境下で活動し、報酬が得られない場合、強化学習(RL)における探索の課題に対処する。 本研究では,最大エントロピー探索問題を2つの異なるタイプで検討する。 訪問エントロピーには、$widetildemathcalO(H3S2A/varepsilon2)$ sample complexity を持つゲーム理論アルゴリズムを提案する。 軌道エントロピーに対しては,次数$widetildemathcalO(mathrmpoly(S,)の複雑さのサンプルを持つ単純なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-14T16:51:14Z)
• Near Sample-Optimal Reduction-based Policy Learning for Average Reward MDP [58.13930707612128]
  この研究は、平均報酬マルコフ決定過程(AMDP)における$varepsilon$-Optimal Policyを得る際のサンプルの複雑さを考察する。 我々は、状態-作用対当たりの$widetilde O(H varepsilon-3 ln frac1delta)$サンプルを証明し、$H := sp(h*)$は任意の最適ポリシーのバイアスのスパンであり、$varepsilon$は精度、$delta$は失敗確率である。
  論文  参考訳（メタデータ） (2022-12-01T15:57:58Z)
• Laboratory-frame tests of quantum entanglement in $H \to WW$ [0.0]
  ヒッグス粒子の崩壊による2つの$W$ボソン間の量子絡みは、ジレプトンチャネル$H to WW to ell nu ell nu$で調べることができる。 LHCのATLASとCMSのコラボレーションによって既に測定されているジレンプトン不変質量分布は、$WW$ペアの量子絡みの観測に利用できる。
  論文  参考訳（メタデータ） (2022-09-28T12:22:12Z)
• Settling the Sample Complexity of Model-Based Offline Reinforcement Learning [50.5790774201146]
  オフライン強化学習(RL)は、事前収集されたデータを用いて、さらなる探索を行わずに学習する。 事前のアルゴリズムや分析は、最適なサンプルの複雑さに悩まされるか、サンプルの最適性に到達するために高いバーンインコストがかかるかのいずれかである。 モデルベース(あるいは"プラグイン")アプローチは,バーンインコストを伴わずに,最小限のサンプル複雑性を実現することを実証する。
  論文  参考訳（メタデータ） (2022-04-11T17:26:19Z)
• Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
  期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
  論文  参考訳（メタデータ） (2020-05-29T07:20:35Z)
• Kernel-Based Reinforcement Learning: A Finite-Time Analysis [53.47210316424326]
  モデルに基づく楽観的アルゴリズムであるKernel-UCBVIを導入する。 スパース報酬を伴う連続MDPにおける我々のアプローチを実証的に検証する。
  論文  参考訳（メタデータ） (2020-04-12T12:23:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。