Hledání leptokvarků pomocí strojového učení v multileptonovém kanálu s daty ATLAS Run-2

Abstract

Objev Higgsova bosonu v roce 2012 v CERNu představoval zásadní milník ve vývoji našeho porozumění standardnímu modelu částicové fyziky. Přesto přetrvává řada otevřených teoretických i experimentálních otázek - jednou z nich je například vysvětlení B-anomalií. Tato práce se zabývá rozšířením standardního modelu (BSM), které předpovídá nový produkční mód leptokvarku, jenž je je zde vůbec poprvé zkoumán experimentálně. Analýza se soustředí na produkční kanál 2lSS + 1tau (2-lehké leptony se stejným znaménkem a jeden hadronicky se rozpadající tau lepton) za využití simulovaných dat z druhého běhu velkého hadronového urychlovače (Run-2 LHC), generovaných metodou Monte Carlo. K oddělení signálu od pozadí jsou nasazeny pokročilé modely hlubokého učení, včetně vícevrstvých perceptronů (MLP) s reziduálními spojeními, MLP s attention mechanismy a architektury TabNet, která využívá sekvenční attention mechanismy. Tyto modely jsou trénovány tak, aby maximalizovaly schopnost rozlišit signál od pozadí, přičemž analýza bere v úvahu i statistické nejistoty. Nasazením moderních technik strojového učení přizpůsobených specifikům této unikátní signálové topologie, pokládá tato analýza základy pro budoucí experimentální výzkum nových leptokvarkových procesů.

The discovery of the Higgs boson in 2012 at CERN significantly advanced our understanding of the Standard Model. Yet numerous theoretical and experimental questions, such as the solution to B-anomalies, remain unanswered. This analysis explores a novel Beyond Standard Model (BSM) scenario predicting a new Leptoquark production mode, studied experimentally for the first time. The search is conducted in the 2lSS + 1tau final state (2-lepton with the same-sign and one hadronically decaying tau), using Monte Carlo simulated Run-2 LHC data. To isolate the Leptoquark signal from background interactions, a range of deep learning models is employed, including multi-layer perceptrons (MLPs) with residual connections, attention-augmented MLPs, and TabNet, which incorporates complex sequential attention mechanisms. These architectures are trained to optimize the separation power between signal and background interactions, incorporating statistical uncertainties in the data. The performance of the used machine learning models is evaluated as a function of the assumed Leptoquark mass. By leveraging modern machine learning techniques tailored to this unique signal topology, the analysis lays the groundwork for future experimental investigations into this new Leptoquark production channel.