Hledání leptoquarků pomocí strojového učení v datech z CERN ATLAS experiment

Abstract

V této práci vylepšíme hodnotu cross-section limitu pro párovou produkci ska-lárních Leptokvarků třetí generace při roz-padu na top quark a τ -lepton. Událost je vybrána pokud obsahuje dva lehké leptony (elektron nebo muon) stejného znaménka nebo jeden hadronicky se rozpadající τ -lepton. Algoritmy ze dvou široce používa-ných kategorií strojového učení jsou na-sazeny k analýze simulovaných dat pro hmotnosti Leptokvarků od 300 do 2000 GeV. V rámci klasifikace jsou data zkom-binována za účelem dokázat, že je možné využít jednoho univerzálního klasifikátoru pro analýzu libovolné hmotnosti. Pro dva nejlépe predikující klasifikátory jsou pro-vedeny experimenty snížení počtu vstup-ních příznaků a velikosti datasetu pro trénování. Na závěr je použit program TRExFitter vyvynutý v CERNu k dosa-žení věrohodných výsledků při výpočtu cross-section limitu. Navíc prověříme, jak odhadnout hmotnost Leptokvarků s pou-žitím dalšího napojeného klasifikátoru.

In this thesis, we improve the crosssection limit for pair production of thirdgeneration scalar leptoquark decaying into a top quark and a τ -lepton and design a method to predict its mass. Events are selected if they have two light leptons (electron or muon) of the same sign and exactly one hadronically decaying τ -lepton. Algorithms from two machine learning categories widely used for tabular data classification, gradient boosting decision trees and deep neural networks, are deployed to analyze simulated data for leptoquark masses from 300 to 2000 GeV. The data for all available masses are combined to show that one universal classifier can be used for all Leptoquark mass cases. The dependence of the performance on the number of features and the size of the simulated data set is demonstrated. Finally, the TRExFitter program developed in CERN is used to achieve reliable results for cross-section limit calculation. Additionally we study how to recognize Leptoquark mass using another connected classifier.