Aplikace strojového učení pro odhad hmotnosti Higgsova bosonu z dat detektoru ATLAS

Adam Herold

Application of Machine Learning for the Higgs Boson Mass Reconstruction Using ATLAS Data

Type of document

bakalářská práce
bachelor thesis

Author

Adam Herold

Supervisor

Kybic Jan

Opponent

Ali Babar

Study program

Kybernetika a robotika

Institutions assigning rank

katedra kybernetiky

Rights

A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html
Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html

Metadata

Show full item record

Abstract

V této práci se zabýváme rekonstrukcí hmotnosti Higgsova bosonu v rozpadovém kanálu 2lSS + 1 tau had v produkci ttH. Na základě rekonstruované hmotnosti separujeme signál od pozadí, kterým je například produkce ttZ. Na datech ze simulace detektoru ATLAS vyvineme dvě neuronové sítě. Nejprve klasifikační neuronovou síť, která data uspořádává přiřazením částic do jednotlivých pozic v kanále. Poté neuronovou síť, která rekonstruuje hmotnost Higgsova bosonu. Tuto síť testujeme na různých selekcích dat a ukazujeme, že dosahuje lepších výsledků než technika Missing Mass Calculator. Na závěr je proveden test na skutečných datech z detektoru ATLAS.

This thesis deals with the reconstruction of the Higgs boson mass decaying in the 2lSS + 1 tau had channel in the ttH production. Based on the reconstructed mass, the goal is to separate the signal from background productions such as the ttZ. The data created by the full ATLAS detector simulation are used to develop two neural networks. First, a classification neural network that organizes the data by assigning detected particles to corresponding positions in the channel. Second, a regression neural network that reconstructs the mass of the Higgs boson. The developed neural network is then tested on different data selections and is shown to outperform the Missing Mass Calculator technique. Finally, the neural network is tested on real ATLAS data.