Identifikace jetů obsahujících těžký kvark pomocí vektorů lokálních agregovaných deskriptorů

Abstract

Identifikace jetů pocházejících z rozpadů těžkých kvarků s vysokou statistickou přesností je klíčovou součástí mnoha fyzikálních analýz, od fyziky těžkých iontů po hledání nové fyziky. Taková přesnost může být dosažena s použitím metodik strojového učení. Za tímto účelem je v této práci představen taggovací model JetVLAD, který je založen na principu klasifikace množin. Výkon modelu je vyhodnocen na rekonstrukci jetů obsahujících těžký kvark v simulovaných p+p srážkách při energii sqrt(s) = 200 GeV dosažitelné na urychlovači RHIC. Nakonec jsou studovány efekty účinnosti trackingu, pileupu a termálního pozadí na výkon modelu. Výsledný model dosahuje dobrého klasifikačního výkonu v rámci širokého intervalu příčných hybností (pT) jetů od 5 do 40 GeV/c s malou degradací výkonu v důsledků efektů účinnosti trackingu a pileupu. Model JetVLAD umožňuje provádět vysoce přesná měření měření jetů obsahujících těžký kvark s menšími požadavky na velikost naměřených dat oproti běžným metodám.

Identification of heavy flavor jets with high statistical precision is a crucial task needed for many physics analyses ranging from heavy-ion physics to new physics searches. Such precision can be achieved by using machine learning based tagging methods. For this purpose in this work a set based tagging model called JetVLAD is introduced. The performance of this model is evaluated using simulated p+p data at RHIC energies of sqrt(s) = 200 GeV. At last, the effects of tracking efficiency, pileup and thermal background on model performance are studied. The resulting model achieves good performance across large jet transverse momentum (pT) range from 5 to 40 GeV/c with minor performance degradation caused by the effects of tracking efficiency and pileup. The JetVLAD model opens up the possibility of high precision heavy flavor measurements with lower dataset size requirements in comparison with standard methods.