EMC  

Neue Analysemethoden


Bildquelle: © P. Weber, Doktorarbeit

Um Präzisionsmessungen des Standardmodells und Suchen nach neuer Physik zu verbessern entwickelt unsere Gruppe neue Analysemethoden. Wir erforschen neue Ideen hinsichtlich statistischer Methoden, Maschinellen Lernens und Elektronik, um unsere Messungen und das Potential von möglichen Entdeckungen bestmöglich auszuschöpfen und systematische Unsicherheiten auf ein Minimum zu beschränken.  

Woran wir arbeiten

Quark/Gluon-Tagging auf Trigger jets

Die Analyse von Dijet-Ereignissen kann uns wichtige Informationen über mögliche neue Modelle jenseits des Standardmodells wie zum Beispiel Dunkler Materie liefern. In einigen dieser Modelle kann das massive Austauschteilchen als Exzess im invarianten Massenspektrum der Zerfallsprodukte beobachtet werden. Jedoch sind Dijet-Suchen für Massen unterhalb von 1 TeV statistisch limitiert durch die Bandbreite und die Speicherkapazität des Detektors. Die Trigger-Objekt-Level Analyse (TLA) hingegen erlaubt die Suche nach Resonanzen mit geringeren Massen bis hin zu invarianten Massen von 450 GeV. Dies gelingt durch das Aufnehmen und Analysieren von nur einem Teil der vollen Ereignisinformationen. In unserem Signalmodell zerfällt das massive Austauschteilchen in zwei Quarks, wohingegen der QCD-Hintergrund durch Gluon-Gluon- und Quark-Gluon-Endzustände dominiert wird. Daher ermöglicht die Bestimmung (Tagging) des Flavours der zwei Jets im Endzustand eine Unterdrückung des Hintergrunds relativ zum Signal. Dabei benutzt TLA nur die Informationen der online rekonstruierten Jets und einige Jetstrukturvariablen basierend auf den Kalorimeterinformationen, da keine Spurinformationen vorhanden sind. Wir studieren daher das Taggen von Quark- vs. Gluonjets, wobei wir einzig auf die Kalorimeterinformationen zurückgreifen. Dazu nutzen wir insbesondere Boosted Decision Trees und andere Methoden des Maschinellen Lernens.  

 

Autoencoder und Unsichtbare Signaturen von Higgs-Zerfällen

Die Suche nach Higgs-Zerfällen in unsichtbare Teilchen ist eine bedeutende Suche nach neuer Physik, da die Standardmodellvorhersage für diesen Prozess nahezu null ist. Deshalb würde jede Entdeckung dieses Prozesses auf Physik jenseits des Standardmodells hindeuten. Jedoch ist das Unterscheiden solcher Zerfälle von denen der Hintergründe, wie dem Zerfall eines Z-Bosons in Neutrinos, äußerst herausfordernd. Moderne Methoden des Maschinellen Lernens wie Autoencoder liefern attraktive Lösungen, um solche unsichtbaren Higgs Zerfälle herauszufiltern. Der Kerngedanke des Autoencoder ist es, dass er normale Ereignisse codiert und dann daran scheitert ein anomales Ereignis, welchem er bisher noch nicht begegnet ist, zu rekonstruieren. In diesem Fall sind die ?normalen? Ereignisse Z-Boson-Zerfälle, wohingegen Higgs-Zerfälle in unsichtbare Teilchen als Anomalien rekonstruiert werden. Der Autoencoder ist daher einzig auf den Hintergrundprozess optimiert und agnostisch gegenüber den exakten Details des Signalprozesses. Durch das Übergeben von Kalorimeterclustern oder Spurinformationen an den Autoencoder anstatt der Objektinformation wie den Jet-Viererimpulsen können wir gleichzeitig viele verschiedene Informationen über das System auswerten.  

 

Frühere Analysen

Jet-Pseudorapiditäts-Interkalibration

Für viele ATLAS Physik Analysen ist die genaue Kenntins der Jet Energie Skala (JES) und deren Unsicherheit eine wichtigere Voraussetzung. Eine Möglichkeit die JES Korrektur zu validieren und deren Unsicherheit zu bestimmen, bietet die Jet-Pseudorapiditäts-Interkalibration, welche eine in-situ Messung ist, bei der Dijetevents ausbalanciert werden. Wir haben eine neue Methode entwickelt um ein größeres statistisches Datensample, bestehend aus Dijets, zu selektieren. Im Gegensatz zu den Standard in-situ Methode von ATLAS, die nur voll effiziente Trigger benutzt, kombiniert die neue Methode, genannt Trigger Kombinations Methode (TCM), viele, unterschiedliche, ein-Jet Trigger. Jeder einzelne Trigger muss nicht notwendigerweise voll effizient sein, aber es muss sichergestellt sein, dass der komplette Satz an Triggern voll effizient ist. Die Studie beinhaltete Vergleiche der erhaltenen Kalorimeteransprechsverhalten, mit den Ansprechverhalten, die mit Hilfe der Standard Methoden bestimmt wurden sowie mit denen aus Monte Carlo Vorhersagen. Außerdem wurden systematische Studien durchgeführt um die komplette systematische Unsicherheit der TCM abzuschätzen.  Die Ergebnisse dieses Analyse können hier gefunden werden.

 
zum Seitenanfang