Aplikace strojového učení pro hledání nabitého Higgsova bosonu z ATLAS dat

Abstract

Objevení Higgsova bosonu (2012) motivovalo vědce k hledání nabitého Higgsova bosonu. Přítomnost nabitého Higgsova bosonu je předpovídána mnoha teoriemi, které popisují rozšířený Standardní Model s několika různými Higgsovými bosony, nazývaný \uv{rozšířený Higgsův sektor}. Neuronové sítě (NN) jsou v poslední době velkým trendem pro řešení klasifikačních, detekčních a segmentačních úloh. Výhodou NN je jejich schopnost naučit se složité vztahy skryté v datech bez jakýchkoli omezení vstupních dat. Cílem této práce je oddělit proces Signal tbH+ od Background procesů. V Práci byly otestovány dvě NN architektury: vícevrstvý perceptron (MLP) a TabNet. Bylo dosaženo dobré separace Signálu od Background, jako funkce hmotnosti nabitého Higgsova bosonu.

The discovery of the Higgs boson (2012) motivated scientists searching for charged Higgs bosons. The presence of a charged Higgs boson is predicted by many theories that describe an extended Standard Model, with several different Higgs bosons, called the ``extended Higgs sector''. Neural networks (NN) have recently been a big trend for solving classification, detection, and segmentation tasks. The advantage of NN is their ability to learn complex relationships hidden in data without any restrictions on the input data. The aim of this thesis is to separate the Signal process tbH+ from the Background processes. In this thesis, two NN architectures were tested: Multi-Layer Perceptron (MLP) and TabNet. A good separation of Signal and Background was obtained as a function of the charged Higgs boson mass.