Optimalizace výběru ttH včetně systematiky pomocí strojového učení s z dat ATLASu

Abstract

Tento výzkum se soustředí na cíl přesně vybrat události vzniklé interakcí dvou gluonů při srážce protonu s protonem na urychlovači LHC, jejímž výsledkem je pár top-antitop a Higgsův boson, což je proces známý jako ttH. Cílem studie je pomocí dat zaznamenaných detektorem ATLAS odlišit tyto události ttH od událostí generovaných jinými procesy. Za tímto účelem využíváme pro výběr událostí přístup hlubokého učení, konkrétně architekturu FT-Transformer. Použití takové metody strojového učení zvyšuje naši schopnost přesně identifikovat události ttH, což vede ke zlepšení poměru signálu k šumu a statistické významnosti, a tím přispívá k našemu pochopení vlastností Higgsova bosonu. Kromě zkoumání pokročilejších architektur NN vylepšujeme předchozí práci tím, že zkoumáme použití rozšířené trénovací množiny, což nám umožňuje výrazně zvýšit trénovací statistiku a dosáhnout tak mnohem lepšího výkonu. Nedílnou součástí tohoto výzkumu je vyhodnocení statistických i systematických nejistot spojených s tímto procesem výběru událostí. Zjištění a metodiky prezentované v této práci nabízejí slibný pokrok v oblasti výběru událostí částicové fyziky a přispívají k pokračujícímu úsilí kolaborace ATLAS o zkoumání základních vlastností vesmíru. Translated with www.DeepL.com/Translator (free version)

This research is centered on the goal of accurately selecting events produced from the interaction of two gluons in a proton-proton collision at the LHC, resulting in a top-antitop pair and a Higgs boson, a process known as ttH. With data recorded by the ATLAS detector, the study aims to distinguish these ttH events from those generated by other processes. To this end, we employ a deep learning approach, specifically a FT-Transformer architecture, for the event selection. The use of such a machine learning method enhances our ability to identify ttH events accurately, leading to an improved signal-to-noise ratio and statistical significance, thereby contributing to our understanding of the Higgs boson's properties. Aside of exploring more advanced NN architectures, we improve previous work, by exploring the use of an extended training set, which allows us to dramatically increase the training statistic and thus achieve a much better performance. An integral part of this research is the evaluation of both statistical and systematic uncertainties associated with this event selection process. The findings and methodologies presented in this thesis offer promising advancements in particle physics event selection, contributing to the ATLAS Collaboration's ongoing endeavors to probe the fundamental properties of the universe.