2026-10-09T18:46:36Zhttps://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh

oai:lib.uoa.gr:uoadl:5426973 2026-08-04T05:40:56.031Z born_digital_postgraduate_thesis

uoadl:5426973 https://pergamos.lib.uoa.gr/uoa/dl/object/5426973 born_digital_postgraduate_thesis Διπλωματική Εργασία Postgraduate Thesis Studies of Jet Tagging at high pTs with the CMS experiment at CERN LHC 2026 Ελληνικά English Greek ΠΑΝΑΓΙΩΤΙΔΟΥ ΦΩΤΕΙΝΗ PANAGIOTIDOU FOTEINI Στον Μεγάλο Επιταχυντή Αδρονίων (LHC) του CERN, συγκρούσεις πρωτονίων–πρωτονίων καταγράφονται από ανιχνευτές όπως ο Compact Muon Solenoid (CMS), και τα γεγονότα αυτά αξιοποιούνται σε ένα ευρύ φάσμα μετρήσεων και αναζητήσεων για νέα φυσική πέραν του Καθιερωμένου Προτύπου. Οι πίδακες (jets), οι οποίοι προκύπτουν από την αδρονοποίηση ενεργητικών κουάρκ και γκλουονίων, συγκαταλέγονται μεταξύ των σημαντικότερων φυσικών παρατηρήσιμων σε τέτοιες αναλύσεις και αναζητήσεις. Μία από τις βασικές προκλήσεις στη φυσική πιδάκων είναι η αναγνώριση γεύσης (flavour tagging), δηλαδή η ταυτοποίηση της παρτονικής προέλευσης των πιδάκων και η διάκρισή τους σε πίδακες γκλουονίων, ελαφρών γεύσεων, charm και bottom. Στο CMS, οι πίδακες ανακατασκευάζονται με τη μέθοδο Particle Flow (PF) χρησιμοποιώντας τον αλγόριθμο anti­-kT . Η ακριβής ταυτοποίηση των b­-πιδάκων είναι ζωτικής σημασίας για πολυάριθμες αναλύσεις, όπως οι αναζητήσεις του μποζονίου Z′ με δύο b­-πίδακες στην τελική κατάσταση. Ωστόσο, η απόδοση των αλγορίθμων flavour tagging αξιολογείται συνήθως σε σύνολα δεδομένων σχετικά χαμηλής εγκάρσιας ορμής pT , όπως δείγματα tt̄ και QCD, ενώ η συμπεριφορά τους στην περιοχή υψηλού pT παραμένει λιγότερο διεξοδικά μελετημένη. Η παρούσα διπλωματική εργασία αποσκοπεί: (i) στην ανασκόπηση των υφιστάμενων μεθόδων flavour tagging, με έμφαση στις πλέον σύγχρονες προσεγγίσεις μηχανικής μάθησης, και συγκεκριμένα στα μοντέλα ParticleNet και (Unified) Particle Transformer, (ii) στην αξιολόγηση των προεκπαιδευμένων μοντέλων αναγνώρισης b­-πιδάκων του CMS σε δεδομένα που περιλαμβάνουν ψηλές ορμές, με δείγματα σήματος Z′ → bb̄ και υποβάθρου QCD, και (iii) στην επανεκπαίδευση των μοντέλων με στόχο τη βελτίωση της απόδοσης της αναγνώρισης b­-πιδάκων σε αυτή την απαιτητική κινηματική περιοχή. At the CERN Large Hadron Collider (LHC), proton–proton collisions are recorded by detectors such as the Compact Muon Solenoid (CMS), and these events are utilized by a variety of measurements and new physics searches. Jets, arising from the hadronization of energetic quarks and gluons, are among the most important physics observables in such physics analyses and searches. A key challenge in jet physics is flavour tagging, i.e. identifying the partonic origin of jets and distinguishing between gluon, light­-flavour, charm and bottom jets. Jets in CMS are reconstructed using the Particle Flow (PF) approach and utilizing the anti­-kT algorithm. Accurate b­-jet identification is essential for numerous analyses, such as Z' boson searches with two b­-jets in the final state. However, flavour tagging performance is typically evaluated on relatively low­-pT datasets, such as tt̄ and QCD samples, while its behaviour in the high­-pT regime remains less thoroughly studied. The present thesis aims to: (i) review existing flavour tagging methods, with emphasis on state­-of­-the­-art machine learning approaches, namely ParticleNet and (Unified) Particle Transformer, (ii) evaluate pre-trained nominal CMS models for b­-jet tagging on a high­-pT dataset consisting of Z' → bb̄ signal and QCD background samples and (iii) retrain these models to improve b­-jet tagging performance in this challenging kinematic regime. Θετικές Επιστήμες Science