Μονάδα:
Κατεύθυνση Πυρηνική Φυσική και Φυσική Στοιχειωδών ΣωματιδίωνΒιβλιοθήκη Σχολής Θετικών Επιστημών
Ημερομηνία κατάθεσης:
2024-08-26
Συγγραφέας:
Κάτρης Παναγιώτης
Στοιχεία επιβλεπόντων καθηγητών:
Κωνσταντίνος Βελλίδης, Aναπληρωτής Καθηγητής, Τμήμα Φυσικής, ΕΚΠΑ
Πρωτότυπος Τίτλος:
Implementation of a lepton identification algorithm using machine learning for measurements of the tt+X associated production process in the CMS experiment at the LHC
Γλώσσες εργασίας:
Αγγλικά
Μεταφρασμένος τίτλος:
Υλοποίηση αλγόριθμου μηχανικής μάθησης για την ταυτοποίηση λεπτονίων σε μετρήσεις διεργασιών συσχετισμένης παραγωγής tt+X στο πείραμα CMS του LHC
Περίληψη:
Στόχος της παρούσας εργασίας είναι η ανάπτυξη τεχνικών για την ταυτοποίηση και την επι-
λογή λεπτονίων που προέρχονται από διασπάσεις top κουάρκ μέσω μιας επακόλουθης λεπτονικής
διάσπασης μποζονίου W. Κατά τη συσχετισμένη παραγωγή top κουάρκ με διανυσματικά μποζό-
νια, prompt λεπτόνια μπορούν επίσης να προκύψουν από τη διάσπαση των συσχετισμένων μπο-
ζονίων. Τα λεπτόνια από αδρονικές διασπάσεις θεωρούνται non-prompt και εμφανίζονται λιγότερο
απομονωμένα από τα prompt λεπτόνια. Αυτά τα non-prompt λεπτόνια είναι από τα πιο σημαν-
τικά υπόβαθρα σε διεργασίες που έχουν πολυλεπτονικές τελικές καταστάσεις. Η παρούσα ερ-
γασία εστιάζει στην υλοποίηση ενός αλγορίθμου μηχανικής μάθησης για τη διάκριση λεπτονίων
σε διεργασίες tt+X στο CMS με έμφαση στη t t̄H(cc̄) διεργασία, με στόχο τη μείωση του non-
prompt λεπτονικού υποβάθρου, διατηρώντας ταυτόχρονα της μέγιστη απόδοση στην επιλογή
των prompt λεπτονίων.
Κύρια θεματική κατηγορία:
Θετικές Επιστήμες
Λέξεις-κλειδιά:
λεπτόνια, μηχανική μάθηση, μποζόνιο Higgs, ταυτοποίηση, υπόβαθρο
Αρ. σελίδων ευρετηρίου:
0
Αρ. βιβλιογραφικών αναφορών:
96
