全局运动学仍在半可见喷注标记中占主导，而喷注子结构增添了互补能力

为何半可见喷流难以仅靠运动学搜索识别

半可见喷流产生于隐藏谷（Hidden Valley）模型中，其中禁闭的暗部门发生簇射和强子化，在同一喷流锥内产生标准模型强子与稳定暗强子的混合态；不可见组分以缺失横向动量形式逃逸，并与可见喷流活动相关联[1][5]。由于暗部门引入了约束较弱的参数，如暗强子质量、不可见分数r_inv和暗强子化能标，单一基准点无法涵盖完整的信号范围，这正是锚定论文扫描两个媒介子质量下18个信号基准点的原因[1]。早期工作确立了基本现象学：喷流子结构观测量在半可见喷流与轻夸克/胶子喷流之间存在差异，但该比较对假定的暗簇射模型和暗强子分数较为敏感[7]。Snowmass 2021暗簇射报告进一步警告，隐藏谷搜索中使用的红外与共线不安全的子结构变量必须在控制区域中进行验证，且未知的暗强子化能标可能强烈重塑子结构观测量[5]。

这正是这篇新论文所针对的空白。现有的ATLAS和CMS半可见喷注搜索主要利用了全局事件和领头喷注观测量，而对喷注子结构或与缺失横向能量关联的角度变量关注相对较少[1]。锚定论文的明确动机是，半可见喷注的可见辐射模式即使在缺失能量特征减弱时——例如在较小的不可见分数下——仍可能保留判别信息[1]。

五种分类器，一个数据集：受控比较所隔离出的因素

锚点论文在一个包含30万个SVJ信号事件和30万个QCD背景事件的共同平衡数据集上训练了五个深度学习分类器，采用相同的事件筛选、训练/验证划分和优化协议，从而使性能差异可归因于表征和架构而非训练配置[1]。三种独立表征分别为：在50×50 Lund喷注平面图像上运行的Vision Transformer、在C/A重聚类树上运行的JetLOV网络，以及由全局和喷注级观测量构成的15维MLP向量；两个融合网络将图像或树分支与MLP分支相结合[1]。事件由PYTHIA 8.3.17生成，经过配备CMS探测器卡的DELPHES 3.5.1处理，喷注采用anti-kT R=0.8进行重建[1]。另外三个基准测试在3.5 TeV的中间媒介子质量下进行，未用于训练，用以检验暗扇区参数空间中的插值能力[1]。

标题排序明确无误。MLP达到准确率0.9054和AUC 0.9653，JetLOV达到0.9003和0.9572，ViT达到0.8629和0.9293 [1]。两个融合网络占据主导地位：ViT+MLP达到0.9389和0.9846，JetLOV+MLP达到0.9428和0.9872 [1]。由于ViT和JetLOV消费相同的去聚类序列，二者之间的差距归因于表示方式而非物理输入：树结构保留了分裂的排序和分支关系，而LJP图像对每次分裂独立分箱，且在分裂之间具有置换不变性 [1]。

为什么层次树优于Lund平面图像

锚定论文的解释是，半可见喷流中相当一部分判别信息编码在分裂的关联序列中，而非仅编码在单个分裂的分布中[1]。这有物理上的动机：不可见组分在暗簇射的中间阶段带走能量，因此可见残余的特征不仅在于被修改的分裂尺度，还在于它们相互关联的分支历史[1]。图像表示在统计上也是稀疏的，通常O(10)个可分辨分裂对应2,500个像素，迫使图像编码器处理大量空像素；JetLOV以大约图像编码器三分之一参数量达到了其性能[1]。

这一发现与更广泛的喷注标记文献相呼应，在这些文献中，图和树表示被认为具有更好的可解释性并减少了对模拟的依赖。CMS关于Hidden Valley搜索的论文报告称，LundNet图神经网络在BSM喷注标记方面表现出色，同时具有更好的可解释性和更低的蒙特卡洛依赖，并将其应用于SVJ是该领域的首次尝试[2]。另一项针对LundNet、ParticleNet和Particle Transformer的可解释性研究发现，这三种架构都重新发现了经典的QCD子结构观测量，其中Particle Transformer在这些观测量能够被良好分辨的区间内，其功能接近与tau21和tau32等价[3]。该研究还指出，中等程度的关联值意味着经典观测量之外仍存在非线性效应或真正新颖特征的空间[3]。

在搜索最需要的地方，融合增益最大

锚点论文报告称，随着背景排斥率的收紧，融合网络的相对优势变得越来越明显。在80%的背景排斥率下，JetLOV+MLP相对于MLP将信号效率提高了约三个百分点；在99%的排斥率下，提升达到十五个百分点，JetLOV+MLP的信号效率为0.819，而MLP为0.643，ViT为0.508 [1]。论文的解释是，在高排斥率下剩余的QCD背景事件可能涨落至半可见喷注所特有的大多重数和弥散辐射模式，使其在低维观测量上类似于信号，而其精细的劈裂结构仍由普通软共线QCD辐射主导，层级树能够解析这一结构 [1]。

这正是实际搜索所关注的区间。ATLAS半可见喷注搜索在径迹级输入上使用粒子流网络和一种异常检测工具，在140 fb^-1数据下，对r_inv从0.2到0.37的范围，以95%置信水平排除了2000至3200 GeV之间的Z'质量[6]。CMS论文报告了首批对轻子富集的SVJ末态的对撞机搜索，使用了LundNet和基于DNN的背景估计，对SVJl排除了直至约4.7 TeV的Z'媒介子质量，对SVJtau排除了约4 TeV[2]。锚定论文的融合结果表明，这些搜索已部分利用的亚结构信息，可以与全局运动学更系统性地结合。

该比较尚未解决的问题

锚定论文的结论建立在利用PYTHIA 8.3.17和DELPHES 3.5.1模拟的Z'介导Hidden Valley基准之上，而非真实的LHC数据，且作者明确指出需要进一步研究以评估对模拟建模和训练波动的依赖性[1]。Snowmass报告记录了PYTHIA Hidden Valley模块中的强子化参数仍不确定，且这些参数的变化会改变喷注子结构观测量，这限制了基于子结构结果的可解释性[5]。锚定论文还承认其研究无法实现不同基准点之间的直接比较[1]。

文献中的一种竞争性方法是无监督异常检测。一项详细的VAE研究发现，质量去相关的VAE几乎丧失了作为异常检测器的能力，需要一种半监督的离群暴露变体来在保持质量去相关的同时恢复灵敏度[4]。该工作表明，没有指导的纯无监督学习可能无法为喷注标记给出最优解[4]。锚点论文的监督式、面向特定基准的分类器与异常检测方法回答的是不同问题：前者量化已知SVJ拓扑下可实现的判别能力，而后者追求模型无关的灵敏度。两者在相同事件上的表现如何，以及融合增益能否在探测器系统误差和本底估计不确定性下依然成立，仍有待研究。

关于这些来源

本研究页面基于7项研究（3篇同行评审、4篇预印本）——发表于2021年至2026年间，其中4篇发表于2024年或之后，3篇发表于Q1期刊，合计被引用133次——这些研究是从通过质量筛选的13项研究中选出的最相关研究，而这13项研究又取自一个超过5亿篇文献的数据库中检索到的148篇论文。

本文引用的文献