Aplicación de un método de clasificación de imágenes con una red neuronal convolucional al análisis de colisiones en CMS: La búsqueda de una cuarta generación de partículas

Abstract

RESUMEN: Este proyecto ha tenido como primer objetivo presentar una visión personal del Modelo Estándar de partículas elementales, así como de sus problemas y posibles alternativas. En particular, se ha dado especial importancia a la existencia de una cuarta generación de partículas, incluyendo en este trabajo un análisis de su búsqueda. El segundo objetivo del proyecto es realizar dicho análisis utilizando un método de clasificación de imágenes mediante redes neuronales convolucionales. Estas redes clasifican colisiones de partículas, tanto reales del experimento CMS como simulaciones de Montecarlo de los diferentes procesos físicos estudiados. Las colisiones analizadas se producen a una energía de centro de masas de 7 TeV y están disponibles en Open Data. La primera parte del análisis incluye la categorización de desintegraciones a dos muones en función de su valor de masa invariante. Este primer ejemplo nos permite comprobar que la red neuronal es capaz de reconstruir una variable compleja y utilizarla como discriminador. La segunda parte del análisis ha consistido en la clasificación de tres tipos de sucesos simulados, Drell-Yan, W + jets y t_t + jets. Se ha evaluado el rendimiento de la red neuronal tanto a la hora de hacer una clasificación global de sucesos como al separar una señal (t_t + jets) de un fondo (Drell-Yan y W + jets). Se han alcanzado precisiones del 84% y 94% en función de como se separen las categorías. El mismo análisis se ha repetido con la inclusión de una muestra de sucesos simulados de cuarta generación (t0_t0). Se han alcanzado precisiones de clasificación del 80% y el 94% en función de la separación de las categorías. Finalmente, con la red neuronal entrenada para la identificación de sucesos t0_t0, se ha clasificado una muestra de datos reales de CMS y una muestra extensa de sucesos simulados por Montecarlo. La distribución de la clasificación de los datos reales dada por la red neuronal se ha comparado con la distribución obtenida para los sucesos simulados. La forma de la distribución de datos es comparable a la de sucesos del fondo simulado.

ABSTRACT: The first objective of this project consists in providing a personal view of the Standard Model of elementary particles, as well as its problems and possible alternatives. In particular, a discussion about the existence of a fourth generation of particles is presented. An analysis of a quest of such generation has been included in this project. The second objective is to carry out the mentioned analysis by means of a image classification method based on convolutional neural networks. These networks classify different particle collisions. They are trained on simulated Montecarlo events and applied to real events from the CMS experiment. The analyzed collisions were produced with a center of mass energy value fixed at 7 TeV and they are available as Open Data. The analysis starts with the categorization of decays into two muons as a function of their invariant mass value. This first approach allows us to check the efficiency of the networks when it comes to reconstruct a complex value and use it as a discriminator. The second part of the analysis involves the classification of three types of simulated physics processes, Drell-Yan, W + jets and t_t + jets. The performance of the convolutional neural network has been evaluated over a global process classification as well as distinguishing between one signal (t_t+jets) and the corresponding background (Drell-Yan and W + jets). Classification accuracy values of 84% and 94% have been reached in function of how the categories were defined. The same analysis has been repeated with the inclusion of a sample of fourth generation simulated events (t0_t0). Classification accuracies of 80% and 94% have been achieved depending on the separation of the categories. Finally, with the neural network trained for t0_t0 identification, a sample of real CMS data and an extensive sample of events simulated by MonteCarlo have been classified. The distribution of the real data classification, given by the neural network, has been compared with the distribution obtained for the simulated events. The shape of the data distribution is comparable to the one expected from Standard Model events.