Контур
໑ Резонансные и нерезонансные поиски HH
໑ Технологии струйного основания на CMS
‣ Реконструкция струи
‣ Усиленные реактивные таггеры
໑ Усилены реактивные таггеры в поиске HH на CMS
໑ Резюме
Обзор образования и распада HH
Нерезонансный
Тестирование эффективных моделей SM и BSM с аномальными связями с использованием модификаторов прочности κλ λt κV, κ2V
Слияние глюонов с глюонами (ggF)
Большая деструктивная интерференция
Слияние векторных бозонов (VBF)
Топология VBF: 2 передние струи с большой инвариантной массой и Δη
Резонансный
Исследуйте различные модели BSM (эффективные модели Warped Extra Test SM и BSM с аномальными связями с использованием модификаторов прочности κλ λt κV, κ2V Dimensions, MSSM, NMSSM): новая тяжелая частица, X со спином 0 или спином 2
Слияние глюонов с глюонами (ggF)
Векторный бозонный синтез (VBF)
Усиление σHH в соответствии с mX
HH распадается
Экспериментальные сигнатуры распадов бозона Хиггса зависят от pT(H) Ускоренный анализ: методы основания струи, используемые для идентификации струи
Поиск HH в усиленном режиме
Повышенная чувствительность к аномальным связям
Небольшое отклонение связей от прогноза СМ
Большая модификация σHH
Разная кинематика
Основные характеристики:
໑ Менее комбинаторный, чем в разрешенной топологии
໑ Только небольшие фоны из хвостов процессов СМ
໑ Продукты распада H➞bb «видимы» как единая струя
Струйные методы основания в CMS
Определение струи
Основной алгоритм кластеризации: анти-kT
໑ Инфракрасный и коллинеарный сейф
໑ Нечувствителен к основному событию и множеству взаимодействий
໑ Не способствует скоплению между парами мягких частиц
໑ Конусы с четко определенной площадью
Алгоритмы предотвращения наложений в CMS
໑ Вычитание заряженных адронов (CHS) + ID струи PU - струи AK4
໑ PileUp Per Particle Identification (PUPPI) — AK8 Jets
Кварки и глюоны с легким ароматом
Усиленные объекты (бозоны W, Z, H, топ-кварк)
Субструктура струи имеет ключевое значение для прецизионных измерений параметров СМ, физических поисков BSM…
Струйная подконструкция
Алгоритмы тегирования
Вырезать на основе
Сосредоточьтесь на тегах H для двойного поиска Хиггса
໑ высокоуровневые наблюдаемые подструктуры
‣ подготовленная масса (масса мягких капель)
‣ N-субъектность
‣ энергетические корреляционные функции
໑ Надежный, легко интерпретируемый
Машинное обучение (ML) на основе
໑ Использование наблюдаемых высокого уровня: N3-BDT (CA15), BEST
໑ Использование низкоуровневых наблюдаемых: ImageTop, DeepAK8, DeepAK8-MD, ParticleNet
Сосредоточьтесь на тегах H для двойного поиска Хиггса
Реактивные тагеры на базе ML
Теггеры с высоким усилением Лоренца для H (bb)
໑ DeepAK8
‣ Сверточная нейронная сеть (CNN)
‣ Информация о частице + вторичной вершине
໑ DeepAK8-MD
‣ Состязательная тренировка
‣ Сеть массового предсказания в качестве штрафа
ParticleNet
‣ Edge-Conv и динамический график CNN (DGCNN)
‣ Инвариантность к перестановкам
ParticleNet-MD
‣ Та же входная и сетевая архитектура, что и у PNet
‣ Обучение с плоским масс-спектром в образцах сигнала
Массовая декорреляция не позволяет алгоритмам машинного обучения изучать особенности, которые коррелируют с массой струи.
Реактивные тагеры на базе ML
Спектакли
Представленные анализы использования
໑ DeepAK8-MD
‣ фоновая эффективность ~0,2%
‣ эффективность сигнала 50%
໑ ParticleNet-MD
‣ фоновая эффективность ~0,1%
‣ эффективность сигнала 50%
Ускоренные реактивные метки в поиске HH на CMS
Нерезонансный HH → b¯bb¯b
ggF и VBF - в двух словах
Поиск распада HH→4b, при котором оба бозона Хиггса имеют большое значение pT в форсированном режиме.
Определение кандидатов Хиггса:
໑ Предварительный отбор по кинематическим наблюдаемым
໑ струи 2АК8, pT > 300 ГэВ
໑ Jet, помеченный дискриминатором Dbb PNet-MD
Фоновый вклад
໑ ttbar: MC+исправления в Control Region (CR)
໑ QCD: подходит для области CR
໑ ttH, VH, VV, V+Jets: моделирование MC
Превосходная синергия и взаимодополняемость в каналах анализа ggF и VBF
Нерезонансный HH → b¯bb¯b
ggF VS VBF - в двух словах
ggF
໑ VBF Veto
໑ Классификация событий по баллам
‣ BDT для отделения сигнала от основного фона
‣ Субведущая pT струя Dbb
໑ Наблюдаемый для подгонки: Регрессионная масса струи pT, расположенная ниже ведущего (выход PNet)
VBF
໑ Выбор топологии VBF
‣ 2 струи AK4 с большой массой струи и расстоянием Δη
໑ Категоризация событий
‣ три эксклюзивные категории поиска на основе тега Xbb
В этом разговоре:
໑ Современные струйные тагеры, использующие технику подструктуры
‣ Теггеры с декоррелированной массой на основе ML, оптимизированные для H(bb)
໑ Применение струйных маркеров H(bb) при поиске резонансных и нерезонансных HH
‣ Повышение чувствительности благодаря высокой производительности с точки зрения дискриминационной способности H(bb) меток на основе ML. Поиск HH является одной из основных целей будущей научной программы LHC.
໑ Улучшение алгоритма маркировки самолетов будет играть ключевую роль для поиска HH (и не только!)
Джеты в экспериментальной физике элементарных частиц
(HEP-EX) струи определение: пучок частиц, генерируемых адронизацией кварков или фрагментацией глюонов.
໑ частицы в струе этого сгустка имеют коррелированные кинематические свойства
໑ попытаться собрать сигналы детектора (треки, энерговыделения, недостающую энергию...) от этих частиц, чтобы сделать вывод об их исходной кинематике
Алгоритмы кластеризации струй в CMS
Основные этапы алгоритмов кластеризации струй:
1. Определить метрику dij для пары частиц
2.Определить dcut
3. Оцените dij для всех пар частиц, найдите мин.
4.Если dij,min < dcut: объединить i-ю и j-ю струю, иначе удалить i-ю струю из списка
5. Повторяйте до тех пор, пока расстояние между всеми парами не станет > dcut.
Чаще всего используется в CMS: алгоритм анти-kT
໑ Инфракрасный и коллинеарный сейф
໑ Нечувствителен к основному событию и множеству взаимодействий
໑ Сначала кластер высокой энергии, затем частицы низкой энергии,
не способствует скоплению между парами мягких частиц
໑ Конусы имеют четко определенную площадь
Снижение нагромождения в джетах
໑ Основное событие: частицы от остатка протона или двойного партонного рассеяния
໑ Pileup: частицы, возникающие в результате столкновений с другими точками (в основном мягкие частицы)
‣ Струйная субструктура очень чувствительна к нагромождениям
Основные алгоритмы предотвращения наложений в CMS:
໑ Вычитание заряженных адронов (CHS)
Малый радиус, AK4 Jets
‣ Удаляет заряженные частицы, связанные с реконструированными вершинами из столкновений PU, из процедуры кластеризации струи
‣ К четырем импульсам струи применяется коррекция на основе площади струи от события к событию (для смягчения воздействия нейтральных частиц PU)
‣ Техника идентификации струи ПУ, используемая для отклонения струй с большим компонентом, возникающим в результате взаимодействия с ПУ.
໑ PileUp Per Particle Identification (PUPPI) Большой радиус, AK8 Jets
‣ Построен на основе алгоритма CHS
‣ Шкала импульса нейтральных частиц в соответствии с вероятностью происхождения из PU
‣ Наилучшие характеристики достигнуты для объектов, сгруппированных из адронов:
1. Форсунки: AK8Jets, реактивная масса
2. Отсутствующий поперечный импульс (промах pT), разрешение MET
3. Изоляция лептонов, неправильный идентификатор мюона
Струйный уход
Удалить мягкое излучение струи или ее компонентов
໑ Алгоритм сброса массы (MD): оптимизирован для двухчастичных распадов, идентифицирует относительно симметричные субджеты
໑ Мягкое падение является частным случаем MD: ( β =0, zcut=0.1 используется в CMS )
໑ Расчетная масса (mSD), рассчитанная по двум субструям, возвращенным алгоритмом SD
DeepAK8
໑ Пять основных категорий: W/Z/H/t/other
‣ подразделяются на режимы распада каждой частицы (H → bb, Z → cc..)
໑ Два списка входов
‣ Список частиц (42 элемента на струю)
‣ Список вторичных вершин (15 объектов на струю)
໑ Корреляция между используемыми входными данными
DeepAK8-MD
໑ Противоборствующие приемы обучения
໑ pT и mSD повторно взвешены для получения плоских распределений
໑ Сеть массового прогнозирования:
‣ Хороший показатель того, насколько сильно характеристики, извлеченные CNN, коррелируют с массой струи
‣ Массовый прогноз как пенальти
DeepAK8
Мультиклассовый классификатор для идентификации адронно распадающихся частиц
DeepAK8
໑ Пять основных категорий: W/Z/H/t/other
Идентификация H VS QCD
‣ подразделяются на режимы распада каждой частицы (H → bb, Z → cc..)
໑ Два списка входов
‣ Список частиц (42 элемента на струю)
‣ Список вторичных вершин (15 объектов на струю)
໑ Корреляция между используемыми входными данными
DeepAK8-MD
໑ Противоборствующие приемы обучения
໑ pT и mSD повторно взвешены для получения плоских распределений
໑ Сеть массового прогнозирования:
‣ Хороший показатель того, насколько сильно характеристики, извлеченные CNN, коррелируют с массой струи
‣ Массовый прогноз как пенальти
Алгоритм машинного обучения для маркировки самолетов на основе Edge-Conv и Dynamic
Граф сверточной нейронной сети (DGCNN) [arXiv: 1801.07829]
໑ На основе облаков частиц
໑ Предполагает инвариантность перестановок: частицы внутренне неупорядочены
໑ Используются свойства локальных и глобальных структур
໑ информация о струе на малых высотах в качестве входных данных
Массовая декоррелированная сеть частиц:
໑ Предназначен для двунаправленных адронных распадов частиц с сильным лоренцевским ускорением (при H→bb)
໑ Обучение на смоделированных образцах:
‣ Сигнал: частицы со спином 0 (X), усиленные Лоренцем, с плоским массовым спектром от 15 до 250 ГэВ.
и впоследствии распадается на пару кварков (X→bb, X→cc, X→qq) в качестве выборки сигнала
‣ Предыстория: многоструйный QCD
Массовая регрессия с PNet
Мягкая падающая масса
໑ в целом хорошая производительность, но есть некоторые ограничения
໑ потеря эффективности из-за небольшого пика при ~0, особенно для H->bb
໑ хвосты в сторону большой массы для резонансов
JME-18-002
Массовая регрессия с DNN
໑ цель: использовать ГНС для реконструкции массы струи с максимально возможным разрешением
໑ отсутствие скульптинга на фоновой струйной массе КХД
໑ в этой версии основное внимание уделяется Хиггсу (или, как правило, 2-зубчатым форсункам).
‣ специальные тренинги для форсунок R=0,8 и R=1,5
Используйте архитектуру ParticleNet для прогнозирования массы струи непосредственно по составляющим струи.
໑ аналогична настройке тега ParticleNet-MD те же входные данные (кандидаты PF + вторичные вершины)
໑ одни и те же обучающие образцы
໑ Цель регрессии:
‣ сигнал: масса сгенерированной частицы X (масса полюса)
‣ фон: мягкая падающая масса генераторной струи (включая нейтрино)
Выбор события
ggF
ВБФ
Коррекция формы Dbb для сигнала
໑ С контрольными наборами данных, содержащими выборку струй, репрезентативных для сигнальных струй b из распадов бозона Хиггса.
໑ Использование прокси-джетов AK8, происходящих из g→bb
໑ Разделите образцы многоструйных КХД на «bb», «cc» и «легкие» струи (используя истину MC) и постройте шаблоны для подходящей переменной: log(MSV), для SV с максимальным значением dxy
໑ Определите подходящие области на основе (Jet pT, Jet TXbb):
1. шесть интервалов pT: (200-250), (250-300), (300-350), (350-400), (400-500), (500-∞) ГэВ
2. пять дбб
бины: (0,80-0,90), (0,90-0,95), (0,95-0,97), (0,97-0,99), (0,99-1.)
3. Метод маркировки и зондирования: выполнение одновременной подгонки симуляции к данным в областях «пройдено» и «не пройдено» (обратная оценка Dbb).
Предварительный отбор
໑ не менее двух джетов АК8 с pT > 300 ГэВ
໑ Джет 1 мСД > 50 ГэВ
໑ джет 2 м регрессировал > 50 ГэВ
໑ Струя 1 Dbb > 0,8
После предварительного отбора
໑ события вето с двумя струями VBF, удовлетворяющие mjj>400 ГэВ, Δηjj > 4.0
໑ Научить BDT разделять основные фоны сигнала
ggF
໑ Многоструйный метод параметрического алфавита КХД
‣ Определять:
Форма массы области отказа многоструйного фона КХД: Данные - фоны, не относящиеся к КХД
Область прохождения (категория событий BDT) форма КХД = форма КХД (сбой) * коэффициент передачи коэффициент передачи = полиномиальная функция регрессионной массы струи 2
‣ Порядок коэффициента передачи для каждой области сигнала отдельной категории событий определяется путем выполнения F-теста и теста согласия (GOF)
໑ TTbar - MC + коррекция от CR
‣ Коррекция формы тегера ParticleNet Xbb: эффективность неправильной маркировки для верхних струй CR 1 лептон + 1 струя tt
Вычитание всех фонов, отличных от топ-кварков, и сравнение формы полученного распределения с предсказанием моделирования tt.
‣ коррекция отдачи тт
CR: 1 реактивный + 1 реактивный ТТ + 2 реактивных АК8
Вычтите все фоны, отличные от tt, из данных, а затем разделите на прогноз моделирования tt, чтобы получить поправочные коэффициенты в бинах pT(jj)
‣ Неопределенность формы BDT
CR: 1 реактивный +1 реактивный ТТ + 2 реактивных АК8
Вычтите не-tt bkg из данных и измерьте небольшую разницу между данными и предсказанием моделирования tt в ячейках оценки BDT.
эта небольшая разница используется в качестве систематической неопределенности формы для предсказания tt bkg в области сигнала.
ВБФ
໑ Многоструйный метод КХД – метод ABCD
‣ Определите обогащенную QCD область C (низкая оценка PNet) для обеих струй AK8.
‣ Форма КХД из области C нормирована на сигнальную область D с переносом
коэффициенты B/A, полученные в боковых полосах реактивной массы субведущего реактивного двигателя AK8
‣ Одновременная подгонка во всех регионах ABCD к сигналу и фону
‣ Процессы ГГ и ttбар допускается варьировать в пределах систематического
неопределенности (скорость и помехи формы)
‣ Многоструйный фон КХД, свободно плавающий в областях A,B,C (со скоростью
параметры), определяется вклад в категории области поиска (D)
как С*(Б/А)
‣ Использование инструмента HHinference, структуры, разработанной П. Факельдей и М. Ригером и используемой в текущих нерезонансных анализах HH.
໑ TTbar - MC + коррекция от CR
‣ Область с верхним обогащением из образца одиночного мюона, прошедшего триггеры и преселекцию
‣ общая коррекция нормализации и коэффициенты масштабирования
извлечено в одновременной подгонке категорий «пройдено» (высокий Dbb) и «не пройдено» (низкий Dbb) с использованием метода маркировки и зондирования.
Экспериментальный:
໑ шкала массы струи и неопределенности разрешения массы струи
໑ масштаб энергии струи и неопределенности разрешения
໑ погрешности измерения эффективности триггера
໑ тт неопределенность отдачи
໑ Неопределенность формы BDT для фона tt
໑ Теггер ParticleNet Xbb для струй топ-кварков
໑ Форма метки ParticleNet Xbb для струй Хиггса
໑ неопределенности светимости
໑ неопределенность повторного взвешивания пайлапа
໑ Неопределенность статистики MC
Неопределенности теории:
໑ Масштаб КХД и верхняя масса, неопределенности pdf для сигнала ggHH, теоретическая неопределенность для высоких
м(чч) область
໑ Масштаб КХД и неопределенности PDF для сигнала VBF HH
໑ Масштаб КХД и неопределенности PDF для фона VH, ttH
໑ Неопределенности партонного потока для сигналов HH и фона V+джетов