Search for neutral MSSM Higgs bosons with CMS at LHC: a comparison between a cut-based analysis and a Machine Learning approach

Paoletti, Giordano (2019) Search for neutral MSSM Higgs bosons with CMS at LHC: a comparison between a cut-based analysis and a Machine Learning approach. [Laurea], Università di Bologna, Corso di Studio in Fisica [L-DM270]
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Creative Commons Attribuzione - Non commerciale - Condividi allo stesso modo 3.0

Download (5MB)

Abstract

Con l’avvento della fase ad Alta Luminosità di LHC (HL-LHC), la luminosità istantanea del Large Hadron Collider del CERN aumenterà di un fattore 10, oltre il valore di progettazione. La Fisica delle Alte Energie si dovrà quindi confrontare con un notevole aumento della quantità di eventi raccolti, consentendo l'indagine di scale energetiche ancora inesplorate. In questo contesto si colloca la ricerca di bosoni di Higgs neutri aggiuntivi, previsti dalle estensioni del Modello Standard, quali ad esempio quella del Modello Supersimmetrico Minimale, teoria che suppone l’esistenza di altri bosoni di Higgs, più massivi di quello rilevato nel 2012. Alcune precedenti ricerche sono state condotte dai diversi esperimenti di LHC; in particolare per questa tesi è stata presa come riferimento l’analisi pubblicata nel 2019 dalla Collaborazione CMS, ricercando i bosoni di Higgs in uno stato di decadimento finale mu^{+} mu^{-} in un range di massa tra i 130 e i 1000 GeV, prodotti dalla collisione di protoni ad una energia del centro di massa di 13 TeV. Con il nuovo upgrade di LHC sarà possibile estendere il range di massa in cui ricercare i bosoni fino ad oltre 1 TeV può quindi dimostrarsi conveniente l’utilizzo di nuove tecniche e strumenti di analisi che utilizzano algoritmi di Machine Learning. In questo modo sarebbe infatti possibile incrementare il livello di complessità dell’analisi, includendo eventualmente tra le variabili di ingresso anche l’ipotesi di massa iniziale del bosone di Higgs supersimmetrico ed ottenendo un modello sempre più generalizzato. In questa tesi vengono confrontati i risultati della classificazione tra eventi di segnale ed eventi di fondo di un’analisi "tradizionale" cut-based, sulla base di quella di riferimento, e un' analisi multivariata condotta utilizzando una BDT implementata in ROOT. I risultati confermano un possibile miglioramento nella classificazione tra segnale e fondo, utilizzando un’analisi multivariata.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Paoletti, Giordano
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Machine Learning,BDT,Boosted Decision Trees,CMS,LHC,MSSM,Bosone di Higgs,Higgs bosons,TMVA,ROOT
Data di discussione della Tesi
18 Ottobre 2019
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^