刘炳萱副教授课题组在暗强子的实验研究上取得一系列高水平成果

粒子物理研究基本粒子及它们之间的相互作用，在过去几十年中经由几代学者共同努力建立的粒子物理标准模型可以解释绝大部分实验结果，2012年在大型强子对撞机（LHC）上发现的希格斯玻色子补齐了标准模型最后一块拼图。然而，标准模型尚无法解释诸如暗物质来源和中微子质量来源等问题。超越标准模型的新物理尝试对这些现象进行解释，寻找新物理一直是对撞机实验上的关键任务之一。暗强子是非常有趣的一个新物理研究方向，它基于一个类似标准模型中量子色动力学（QCD）的暗量子色动力学（dark QCD）框架。暗强子与标准模型中强子不同，一方面它可能有着较长的寿命， 另一方面它也有一定概率衰变为暗物质候选粒子，由暗强子簇射生成的喷注（jet）也便有了非常丰富的实验特性。近期，我院刘炳萱副教授课题组在涌现喷注（emerging jet）以及半可见喷注（semi-visible jet）研究中取得一系列涵盖对撞机实验、唯象分析以及方法论研究的重要成果。

成果1：利用ATLAS三期数据（Run-3）寻找涌现喷注

涌现喷注指在强子化过程中的一部分粒子有着较长的寿命，将会在离对撞点较远位置衰变、被探测器记录。因此我们会看到一个喷注在探测器里逐渐显现，故称之为涌现喷注。因为涌现喷注与标准模型喷注的结构有着极大不同，利用人工智能技术可以极大限度区分两者。Reports on Progress in Physics (IF = 20.7) 最近刊登了ATLAS实验利用Run 3数据对此现象的最新研究，题为“Search for emerging jets in pp collisions at TeV with the ATLAS experiment”[1]，刘炳萱副教授为该项工作主要贡献者之一。这项工作利用Transformer架构设计了一套用来标记涌现喷注的算法，使实验效能获得极大提升。

如图所示，与传统非机器学习方法相比，该算法将实验潜能提升了约两个数量级。

成果2：利用ATLAS二期数据（Run-2）寻找半可见喷注

半可见喷注指在强子化过程中有一部分暗强子衰变为暗物质候选粒子，喷注的一部分能量是不能被探测器记录的，故称之为半可见喷注。实验上研究此类现象面临着诸多挑战，例如当一个标准模型喷注的能量计算出现错误时，它有可能看起来像半可见喷注。与涌现喷注类似，利用人工智能技术我们可以大幅度提高实验的灵敏度。近期，Physical Review D（IF = 4.6）刊发了ATLAS实验利用Run 2数据对其开展的实验研究，题为“Search for new physics in final states with semivisible jets or anomalous signatures using the ATLAS detector”[2]，刘炳萱副教授为该项工作主要贡献者之一并担任该工作所在物理分析分组召集人。这项工作设计了一套基于DeepSets架构的事件分辨算法，极大提升了信号与本底的区分度。同时，该工作还创新性地使用有监督学习过程中构建的潜空间（latent space）作为异常检测（anomaly detection）的输入从而获得对新物理更广泛的灵敏度。

如图所示，该工作填补了ATLAS实验在高不可见比例区间的实验空白。

以上两个成果是ATLAS实验在dark QCD研究上获得的重要成果，对于未来理论与实验的发展具有重要意义。ATLAS合作组专门发布一期题为“Shedding light with jets from the dark side”的物理简报（Physics Briefing）对以上两项成果进行了专门报道[3]。

成果3：提出基于初态辐射研究半可见喷注的新方法

半可见喷注与涌现喷注均为较前沿研究课题，因两种喷注的独特性，我们需要对其研究方法进行创新以期得到更好效果。对于半可见喷注，目前困扰实验研究的一个问题是如何构建更多可以直接反映新物理参数的观测量。Journal of High Energy Physics (IF = 5.0) 去年12月底刊发了刘炳萱副教授及其合作者对这一问题的最新研究结果，题为“Semi-visible jets + X: Illuminating Dark Showers with Radiation” [4]。刘炳萱副教授提出在有高能量初态喷注伴随产生的条件下将丢失能量在喷注方向上进行分解从而构建不可见比例的方法，并利用模拟数据进行验证。

如图所示，使用新方法可以将预计灵敏度提升近两个数量级。

刘炳萱副教授为该项工作第一作者及唯一通讯作者。目前课题组研究生李茵及伽马科创小组成员王锏彬、谢嘉棋、许凯荣和叶锐涵在对此方法进行进一步研究，试图通过机器学习方法获得更高的效能提升。

成果4：对高斯回归过程在本底预估中的研究

对撞机上对强子末态的研究往往需要利用数据本身进行本底预估，随着数据量的增大传统方法愈发受到挑战。同时，在研究涌现喷注或者半可见喷注时，因信号的特殊性，传统本底预估方法逐渐失效。飞速发展的机器学习技术为我们提供了新的思路。在教授理学院《高等数值分析》研究生课程的过程中，为了在课程中增加相应的前沿内容，刘炳萱副教授对高斯回归过程进行了深入研究，并在近期于European Physical Journal C (IF = 4.8) 发布了题为“Gaussian process regression as a sustainable data-driven background estimate method at the (HL)-LHC” 的文章[5]。刘炳萱副教授在文章中提出一套完整的技术方法，并指出ridge regression可以对模型效能进行调节从而满足不同的需求。

如图所示，在假设的高亮度LHC条件下，该方法仍能很好地提取出注入的信号。

刘炳萱副教授为该项工作的唯一通讯作者及实际第一作者（期刊作者名单按姓氏排序）。在接下来的研究生培养与伽马科创课题中，课题组将会对此方法进行进一步探究，欢迎对粒子物理实验有兴趣的本科生及研究生加入。

所有以上成果均获得中山大学引进人才配套科研启动费的支持，成果1和4在国家自然科学基金青年项目（C类）支持下完成，成果3和4亦有广东省伽玛光子对撞机及综合应用重点实验室及广东省高精度射线探测技术重点实验室的大力支持。

参考文献：

[1] The ATLAS Collaboration, Rep. Prog. Phys. 88 097801, 2025

[2] The ATLAS Collaboration, Phys.Rev.D 112 (2025) 1, 012021, 2025

[3] The ATLAS Collaboration, Shedding Light Dark Sector, 2025

[4] Bingxuan Liu and Kevin Pedro, JHEP 12 (2024) 105, 2024

[5] Jackson Barr and Bingxuan Liu, Eur.Phys.J.C 85 (2025) 8, 846, 2025