Di-Higgs boson search using machine learning algorithms with the ATLAS detector at CERN
Hledání Di-Higgsova bosonu pomocí algoritmů strojového učení s detektorem ATLAS v CERNu
Authors
Supervisors
Reviewers
Editors
Other contributors
Journal Title
Journal ISSN
Volume Title
Publisher
České vysoké učení technické v Praze
Czech Technical University in Prague
Czech Technical University in Prague
Date
Abstract
Tato práce zkoumá aplikaci strojového učení, konkrétně binární vícevrstvé perceptronové (MLP) neuronové sítě, k podpoře detekce událostí di-Higgsova bosonu v kanálu 13τ s využitím dat z detektoru ATLAS v CERNu. Studie navazuje na předchozí výzkum a implementuje vylepšené techniky předzpracování, přísnější kritéria pro výběr událostí a optimalizované hyperparametry pomocí frameworku Optuna. Zjištění odhalují významné zlepšení očekávané limity na 95% hladině spolehlivosti, čímž se hodnota μ snížila z 33,1 na 24,2. Mezi klíčové příspěvky patří vylepšené zpracování dat, výběr příznaků a využití binárního modelu MLP pro výpočty pravděpodobnosti událostí. Výsledky sice představují značný pokrok, ale studie identifikuje příležitosti k dalšímu dokonalení prostřednictvím alternativních sad příznaků, novějších simulací a zohlednění systematických nejistot. Tento výzkum poskytuje solidní základ pro pokrok v hledání di-Higgsova bosonu v kanálu 13τ .
This thesis explores the application of machine learning, specifically a binary Multilayer Perceptron (MLP) neural network, to aid in the detection of di-Higgs boson events in the 13τ channel using data from CERNs ATLAS detector. Building upon prior research, the study implements enhanced preprocessing techniques, stricter event selection criteria, and optimized hyperparameters through the use of the Optuna framework. The findings reveal a significant improvement in the expected limit at 95% confidence level, reducing the μ value from 33.1 to 24.2. Key contributions include improved data handling, feature selection, and the utilization of the binary MLP model for event probability calculations. While the results mark substantial progress, the study identifies opportunities for further refinement through alternative feature sets, newer simulations, and consideration of systematic uncertainties. This research provides a solid foundation for advancing di-Higgs boson searches in the 13τ channel.
This thesis explores the application of machine learning, specifically a binary Multilayer Perceptron (MLP) neural network, to aid in the detection of di-Higgs boson events in the 13τ channel using data from CERNs ATLAS detector. Building upon prior research, the study implements enhanced preprocessing techniques, stricter event selection criteria, and optimized hyperparameters through the use of the Optuna framework. The findings reveal a significant improvement in the expected limit at 95% confidence level, reducing the μ value from 33.1 to 24.2. Key contributions include improved data handling, feature selection, and the utilization of the binary MLP model for event probability calculations. While the results mark substantial progress, the study identifies opportunities for further refinement through alternative feature sets, newer simulations, and consideration of systematic uncertainties. This research provides a solid foundation for advancing di-Higgs boson searches in the 13τ channel.