Optimalizace metod pro separaci tH(bb) signálů s využitím strojového učení

Abstract

Studium Higgsova boson a jeho interakcí s ostatními částicemi bylo v posledních letech jedním z hlavních témat částicové fyziky. Od jeho objevu v roce 2012 byla vykonána řada experimentů za účelem bližšího porozumění jeho fyzikálních vlastností. Tato práce se zaměřuje na interakci Higgsova boson s top quarkem, pravděpodobně nejhmotnější elementární částicí Standardního modelu částicové fyziky. Jsou využity machine-learningové algoritmy k odfiltrování všech nežádoucích procesů zaznamenaných detektorem, aby bylo dosaženo vyšší senzitivity cílového procesu. K tomuto účelu je optimalizována řada machine-learningových modelů pomocí různých optimalizačních strategií. Poté co je nalezen model s nejlepšími kvalitami, je provedena řada statistických testů pomocí TRExFitter frameworku. Střední hodnota mediánu intenzity signál procesu se zahrnutím statistických nejistot, byla 3.86. Po zahrnutí systematických nejistot byla střední hodnota mediánu 6.35.

The study of Higgs boson and its interaction with other particles has been one of the main topics of particles physics in the last years. Since its discovery in 2012, many experiments have been carried out in order to understand its physical properties in detail. This thesis focuses on an interaction of a Higgs boson with a single top quark, possibly the heaviest elementary particle of the Standard Model of particle physics. It uses machine-learning algorithms to filter out all unwanted processes recorded by detector to get the highest sensitivity of our target process. For this purpose, multiple machine learning models are optimized with different optimization strategies. After the best quality model is obtained, a serie of statistical tests is performed with the TRExFitter framework. The expected median value of signal strength obtained in this thesis with inclusion of statistical uncertainties was 3.89. After the inclusion of systematic uncertainties, the resulting expected median value was 6.35.