This thesis focuses on the decay of the Higgs boson produced in association with a vector boson into a pair of b-quarks. This decay channel has the highest branching ratio for a Higgs boson with a mass of 125 GeV, making it crucial to develop methodologies capable of accurately classifying the resulting b-jets and distinguishing them from those arising from QCD background processes. This study specifically addresses the classification of b-jets originating from the decay of a color singlet versus those originating from a color octet. To accomplish this, a set of color-sensitive variables has been employed. The dataset utilized in this analysis originates from simulated proton-proton collisions at an energy of 13 TeV. The chosen variables have been evaluated both at particle level and after simulating detector response, denoted as "truth case" and "reconstructed case" respectively. This work employs artificial neural networks as the primary classification algorithm, assessing adversarial learning techniques as a viable method for mitigating bias arising from the invariant mass of the system. The obtained results demonstrate an enhancement in performance when compared to traditional machine learning models, specifically decision trees.

Questa tesi si concentra sul decadimento del bosone di Higgs, prodotto in associazione con un bosone vettore, in una coppia di quark bottom. Questo canale di decadimento presenta il branching ratio più alto per un bosone di Higgs con massa di 125 GeV; ciò rende fondamentale lo sviluppo di metodologie capaci di classificare accuratamente i b-jet risultanti e distinguerli da quelli prodotti da processi di fondo di tipo QCD. In particolare, questo studio affronta il problema della classificazione dei b-jet generati dal decadimento di un singoletto di colore rispetto a quelli generati da un ottetto di colore. A tal fine, è stato impiegato un insieme di variabili sensibili al colore. Il dataset utilizzato nell'analisi proviene da collisioni protone-protone simulate a un'energia di 13 TeV. Le variabili selezionate sono state valutate sia al livello delle particelle che dopo aver simulato la risposta del rivelatore, indicate rispettivamente come "caso truth" e "caso reconstructed". Questo lavoro impiega reti neurali artificiali come algoritmo primario di classificazione, analizzando tecniche di apprendimento avversario (adversarial learning) quale possibile metodo per mitigare il bias derivante dalla massa invariante del sistema. I risultati ottenuti mostrano un miglioramento delle prestazioni rispetto ai modelli tradizionali di machine learning, in particolare gli alberi decisionali.

Tagging dei b-jet del bosone di Higgs con variabili sensibili al colore e reti neurali avversarie

CAVALLINI, LUCA
2023/2024

Abstract

This thesis focuses on the decay of the Higgs boson produced in association with a vector boson into a pair of b-quarks. This decay channel has the highest branching ratio for a Higgs boson with a mass of 125 GeV, making it crucial to develop methodologies capable of accurately classifying the resulting b-jets and distinguishing them from those arising from QCD background processes. This study specifically addresses the classification of b-jets originating from the decay of a color singlet versus those originating from a color octet. To accomplish this, a set of color-sensitive variables has been employed. The dataset utilized in this analysis originates from simulated proton-proton collisions at an energy of 13 TeV. The chosen variables have been evaluated both at particle level and after simulating detector response, denoted as "truth case" and "reconstructed case" respectively. This work employs artificial neural networks as the primary classification algorithm, assessing adversarial learning techniques as a viable method for mitigating bias arising from the invariant mass of the system. The obtained results demonstrate an enhancement in performance when compared to traditional machine learning models, specifically decision trees.
2023
Higgs boson b-jet tagging with color-sensitive variables and adversarial neural networks
Questa tesi si concentra sul decadimento del bosone di Higgs, prodotto in associazione con un bosone vettore, in una coppia di quark bottom. Questo canale di decadimento presenta il branching ratio più alto per un bosone di Higgs con massa di 125 GeV; ciò rende fondamentale lo sviluppo di metodologie capaci di classificare accuratamente i b-jet risultanti e distinguerli da quelli prodotti da processi di fondo di tipo QCD. In particolare, questo studio affronta il problema della classificazione dei b-jet generati dal decadimento di un singoletto di colore rispetto a quelli generati da un ottetto di colore. A tal fine, è stato impiegato un insieme di variabili sensibili al colore. Il dataset utilizzato nell'analisi proviene da collisioni protone-protone simulate a un'energia di 13 TeV. Le variabili selezionate sono state valutate sia al livello delle particelle che dopo aver simulato la risposta del rivelatore, indicate rispettivamente come "caso truth" e "caso reconstructed". Questo lavoro impiega reti neurali artificiali come algoritmo primario di classificazione, analizzando tecniche di apprendimento avversario (adversarial learning) quale possibile metodo per mitigare il bias derivante dalla massa invariante del sistema. I risultati ottenuti mostrano un miglioramento delle prestazioni rispetto ai modelli tradizionali di machine learning, in particolare gli alberi decisionali.
File in questo prodotto:
File Dimensione Formato  
Cavallini.pdf

non disponibili

Dimensione 8.88 MB
Formato Adobe PDF
8.88 MB Adobe PDF   Richiedi una copia

È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14239/28883