Hledání tbH+(tautau) s optimalizací výkonnosti pro oddělení signálu a pozadí za použití strojového učení a dat z ATLASu

Abstract

Hledání nabitých Higgsových bosonů, které předpovídá model označovaný jako Two Doublet Higgs Model a Minimální supersymetrické rozšíření Standardního modelu, je náročné kvůli velkému množství procesů v pozadí a neznámé hmotnosti nabitých Higgsových bosonů. Tato práce navrhuje použít strojové učení k oddělení signálu tbH+ \rightarrow tbWh \rightarrow tbW\tau\tau od tth, ttW, ttZ, tt, VV a dalších procesů na pozadí. Je navržen vícemodelový přístup, kde je každý model citlivý v určitém rozsahu hmotností, aby dosáhl velké významnosti ve svém vyhrazeném hmotnostním úseku. Jsou optimalizovány čtyři různé typy modelů a pro každou hmotnost analýzy nabitého Higgsova bosonu je vybrán nejlepší model. Pro každý nejlepší model je použito permutační řazení příznaků k určení nejdůležitějších vstupů modelu. Na základě nejlépe hodnocených příznaků je prokázáno, že redukce počtu příznaků snižuje citlivost jen nepatrně. Výsledky jsou vyjádřeny jako očekávané limity na 95% CL.

The search for charged Higgs bosons, predicted by the Two Doublet Higgs Model and the Minimal Supersymmetric extension of the Standard Model, is challenging because of a large number of background processes and the unknown mass of the charged Higgs bosons. This thesis proposes to use machine learning to separate signal tbH+ \rightarrow tbWh \rightarrow tbW\tau\tau from tth, ttW, ttZ, tt, VV and other background processes. A multi-model approach is proposed, where each model is sensitive in a certain mass range to achieve large significance in its dedicated mass section. Four different model types are optimized and the best model is selected for each mass of the charged Higgs boson analysis. Permutation feature ranking is used for each best model to determine the most important features. Based on the highest-ranking features, feature reduction is demonstrated to reduce the sensitivity only slightly. Results are expressed as expected 95% CL limits.