基于图神经网络与XGBoost提升HH→b\bar{b}\gamma\gamma探测灵敏度的研究

《Progress of Theoretical and Experimental Physics》：Boosting Sensitivity to with Graph Neural Networks and XGBoost

本研究针对双希格斯玻色子产生过程HH→b\bar{b}\gamma\gamma探测灵敏度低的难题，创新性地将几何图神经网络（GNN）与传统XGBoost分类器进行对比研究。结果表明，GNN模型通过有效捕捉事例的拓扑关联特性，将双希格斯产生截面的95%置信水平上限预期值提升了28%，显著增强了对希格斯自耦合常数κλ的约束能力，为LHC上探索超出标准模型的新物理提供了更强大的分析工具。

　　

在粒子物理领域，希格斯玻色子的发现开启了探索物质质量起源的新篇章，然而希格斯势场的精确形状——特别是希格斯玻色子的自相互作用强度——仍然是未解之谜。希格斯自耦合参数λ₃直接决定了希格斯势在电弱对称性破缺后的形态，对理解宇宙早期演化、电弱相变性质等基本问题至关重要。双希格斯玻色子产生过程为测量自耦合常数提供了直接途径，但该过程在标准模型中的产生截面极小，且背景过程复杂，使得实验探测面临巨大挑战。

针对这一难题，Mohamed Belfkir等人发表在《Progress of Theoretical and Experimental Physics》的研究，系统评估了先进机器学习技术在双希格斯玻色子探测中的应用潜力。研究聚焦于HH→b\bar{b}\gamma\gamma衰变道，该道虽然分支比仅约0.264%，但具有双光子不变质量分辨率高、本底相对干净的优势。团队在√s=13.6 TeV的质子-质子碰撞数据基础上，对比了两种机器学习算法的性能：基于梯度提升决策树的XGBoost分类器和基于几何拓扑信息的图神经网络（GNN）分类器。

研究采用蒙特卡洛模拟生成信号和背景事例，信号包括胶子融合（ggF）和矢量玻色子融合（VBF）两种双希格斯产生机制，背景则涵盖单希格斯过程和连续γγ+jets本底。事例重建严格遵循ATLAS探测器运行3的性能参数，包括光子识别、喷注重建和b标记等标准。在机器学习模型训练前，创新性地引入事例几何旋转预处理，将主导光子与束流轴对齐，利用探测器柱对称性简化学习任务。

关键技术方法包括：基于Delphes的快速探测器模拟、事例几何旋转预处理、XGBoost超参数优化、图神经网络架构设计。GNN模型将事例映射为双向图结构，节点包含重建对象（光子、b喷注等）的运动学特征，边编码物理对象间的空间关联，通过消息传递机制捕捉事例层面的拓扑关联特性。

ML事件分类

研究构建了包含32个特征变量的XGBoost分类器，通过随机网格搜索优化超参数。SHAP值分析显示双光子不变质量m_γγ是最重要的判别特征。GNN模型则采用分层图结构，包含粒子级节点和复合系统节点，通过边条件卷积层处理ΔR等几何信息。结果表明GNN在测试集上准确率达95.42%，优于XGBoost的94.03%。

结果与讨论

ROC曲线分析表明GNN模型在全阈值范围内均优于XGBoost，曲线下面积（AUC）提升18.7%。通过优化分类器输出得分分档进行似然拟合，GNN将双希格斯产生截面的95%置信水平上限预期值从XGBoost的4.0倍标准模型预期提升至2.9倍，相对改进28%。对希格斯自耦合修饰因子κ_λ的约束也显著增强，GNN给出的95%置信区间为[-0.5, 5.0]，优于XGBoost的[-0.9, 5.4]。

H H are presented for both the XGBoost and GNN classifiers with their corresponding ±1σ and ±2σ uncertainty bands.'>

系统不确定性分析显示，GNN模型在10%本底归一化不确定性假设下仍保持稳定性能，表明几何学习方法对系统波动具有较强的鲁棒性。与ATLAS实验最新结果对比，本研究的GNN方法仅使用168 fb^-1数据就达到了与ATLAS结合运行2和部分运行3数据（308 fb^-1）相当的灵敏度水平。

研究结论强调，几何图神经网络通过显式编码事例的拓扑结构和空间关联，能够捕捉传统分类器难以利用的判别信息。在双希格斯玻色子探测这一典型稀有过程研究中，GNN展现出显著优于传统方法的性能，为未来高亮度LHC运行和未来对撞机实验中的新物理探索提供了有前景的技术路线。该方法学框架可扩展至其他复杂终态的分析，推动机器学习在粒子物理中的应用向更注重物理直觉和几何结构理解的方向发展。