ترجمه فارسی مقاله بهبود دقت در $Vh(\rightarrow b\bar b)$ از طریق درخت‌های تصمیم‌گیری تقویت‌شده

چکیده

Extracting bounds on BSM operators at hadron colliders can be a highly non-trivial task. It can be useful or, depending on the complexity of the event structure, even essential to employ modern analysis techniques in order to measure New-Physics effects. A particular class of such modern methods are Machine-Learning algorithms, which are becoming more and more popular in particle physics. We attempt to gauge their potential in the study of $Vh(rightarrow bbar b)$ production processes, focusing on the leptonic decay channels of the vector bosons. Specifically, we employ boosted decision trees using the kinematical information of a given event to discriminate between signal and background. Based on this analysis strategy, we derive bounds on four dimension-6 SMEFT operators and subsequently compare them with the ones obtained from a conventional cut-and-count analysis. We find a mild improvement of $mathcal{O}(mathrm{few}, %)$ across the different operators.

چکیده به فارسی (ترجمه ماشینی)

استخراج مرزها در اپراتورهای BSM در Colliders Hadron می تواند یک کار بسیار غیر مهم باشد.این می تواند مفید باشد یا بسته به پیچیدگی ساختار رویداد ، حتی برای استفاده از تکنیک های تجزیه و تحلیل مدرن به منظور اندازه گیری اثرات فیزیک جدید ضروری است.یک کلاس خاص از چنین روشهای مدرن الگوریتم های یادگیری ماشین است که در فیزیک ذرات بیشتر و بیشتر محبوب می شوند.ما سعی می کنیم پتانسیل های آنها را در مطالعه فرآیندهای تولید $ VH ( Rightarrow B Bar b) با تمرکز بر کانال های پوسیدگی لپتونیک بوزون های بردار ارزیابی کنیم.به طور خاص ، ما از درختان تصمیم گیری تقویت شده با استفاده از اطلاعات سینمایی یک رویداد خاص استفاده می کنیم تا بین سیگنال و پیشینه تمایز قائل شود.بر اساس این استراتژی تجزیه و تحلیل ، ما مرزها را در چهار اپراتورهای Smeft-6 بعد به دست می آوریم و متعاقباً آنها را با موارد به دست آمده از یک تجزیه و تحلیل برش و شمار معمولی مقایسه می کنیم.ما در بین اپراتورهای مختلف ، بهبود خفیف از $ Mathcal {O} ( Mathrm {چند} ، ٪) را پیدا می کنیم.