Registro:
Documento: | Tesis Doctoral |
Disciplina: | fisica |
Título: | Medición de la producción de pares de jets a 13 TeV y uso de redes neuronales adversarias para identificar jets masivos |
Título alternativo: | Measurement of the di-jet production at 13 TeV and use of adversarial neural-networks to identify heavy jets |
Autor: | Marceca, Gino |
Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
Publicación en la Web: | 2019-09-30 |
Fecha de defensa: | 2019-03-12 |
Fecha en portada: | 2018 |
Grado Obtenido: | Doctorado |
Título Obtenido: | Doctor de la Universidad de Buenos Aires en el área de Ciencias Físicas |
Departamento Docente: | Departamento de Física |
Director: | Piegaia, Ricardo |
Consejero: | Otero y Garzón, Gustavo |
Jurado: | Gerber, Cecilia; Sassot, Rodolfo; Wahlberg, Hernán P. |
Idioma: | Inglés |
Palabras clave: | ATLAS; LHC; JETS; SECCION EFICAZ; REDES NEURONALESATLAS; LHC; JETS; CROSS-SECTION; NEURAL-NETWORKS |
Formato: | PDF |
Handle: |
http://hdl.handle.net/20.500.12110/tesis_n6617_Marceca |
PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n6617_Marceca.pdf |
Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n6617_Marceca |
Ubicación: | FIS 006617 |
Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Marceca, Gino. (2018). Medición de la producción de pares de jets a 13 TeV y uso de redes neuronales adversarias para identificar jets masivos. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de http://hdl.handle.net/20.500.12110/tesis_n6617_Marceca |
Resumen:
En esta tesis se presenta la medición de la sección eficaz de masa invariante entre paresde jets producidos en colisiones protón-protón a una energía de centro de masa de 13 TeV. Los datos fueron colectados por el detector ATLAS en el Gran Colisionador de Hadrones del Laboratorio CERN durante el año 2015. Las mediciones de la sección eficaz fueron comparados cuantitativamente con las predicciones teóricas del Modelo Estándar (ME) a orden siguiente al dominante (NLO) corregidas por efectos no pertubativos. Estos estudios ponen a prueba el ME por posible evidencia de nueva física. A su vez, la producción de jets contiene información acerca de la distribución partónica dentro del protón y de la constante de acoplamiento fuerte αs, lo que permite mejorar el conocimiento de QCD a una escala de energía nunca antes alcanzada. Los resultados experimentales mostraron estar en acuerdo con las predicciones teóricas, validando por primera vez el ME a 13 TeV en lo que respecta a la producción de pares de jets. Por otro lado, se describe la aplicación de técnicas de aprendizaje automático para la identificación de jets provenientes de quarks top o bosones W en medio de un fondo dominante de jets de QCD. Dicha tarea resulta fundamental para la búsqueda de partículas masivas producto de nueva física o para la mejora de precisión de las propiedades del Higgs. El modelo propuesto en esta tesis esta basado en redes neuronales adversarias, el cual permite lograr un clasificador no correlacionado con ciertos observables físicos de interés, como la masa del jet. Ciertas búsquedas de nueva física en ATLAS son sensibles a efectos no deseados introducidos por la correlación, inherente para un poder de clasificación optimo, entre la variable discriminante y la masa del jet, lo que resulta en la reducción de la significancia estadística del analisis. Esta técnica propone una solución a este tipo de problemas. Estudios basados en simulaciones Monte Carlo muestran mejoras significativas respecto a otras métodos analíticos y de multivariable utilizados tradicionalmente en ATLAS, resultando por lo tanto prometedor para futuras búsquedas de nueva física.
Abstract:
This thesis presents the measurement of the dijet cross-section from proton-proton collisions at a center-of-mass energy of 13 TeV. The data were collected by the ATLAS detector from the Large Hadron Collider at CERN during 2015. The measurement of the cross-sections were compared quantitatively with the Standard Model (SM) theoretical predictions at next-to-leading order (NLO) corrected by non-perturbative effects. These studies test the SM for possible evidence of new physics. In addition, jets production contains information on the distributions of partons inside the proton and also on the strength of their interaction αs, which allows to extend the knowledge of QCD at an unprecedented energy scale. The experimental results shown to be in agreement with the theoretical predictions, validating for the first time the SM at 13 TeV regarding dijet production. On the other hand, machine learning techniques used for jets identification coming from quarks top or W bosons in a dominated QCD background are described. This task results essential for heavy particles searches beyond SM or to improve the precision of Higgs properties measurements. The technique proposed in this thesis is based on adversarial neural-networks, which allows to build a non-correlated classifier with some physical observables of interest, as the jet mass. Some new physics searches in ATLAS are sensitive to undesirable effects introduced by these correlations, needed to achieve a good classification power, between the discriminant observable and the jet mass, which results in a reduction of the statistical significance in the analysis. This method proposes a solution to this kind of issues. Studies based in Monte Carlo simulations showed significant improvements with respect to other analytical and multivariate techniques used in ATLAS, providing an encouraging first look for the application in future physics searches.
Citación:
---------- APA ----------
Marceca, Gino. (2018). Medición de la producción de pares de jets a 13 TeV y uso de redes neuronales adversarias para identificar jets masivos. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n6617_Marceca
---------- CHICAGO ----------
Marceca, Gino. "Medición de la producción de pares de jets a 13 TeV y uso de redes neuronales adversarias para identificar jets masivos". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2018.https://hdl.handle.net/20.500.12110/tesis_n6617_Marceca
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n6617_Marceca.pdf