Técnicas de aprendizaje automático profundo para la asignación de momento a muones altamente energéticos en el experimento CMS del LHC

Abstract

RESUMEN: El objetivo de este trabajo es aplicar técnicas de aprendizaje automático profundo supervisado para la asignación de momento transverso a muones altamente energéticos en el experimento CMS (Compact Muon Solenoid) del LHC (Large Hadron Collider ) mediante regresión, teniendo como principal meta mejorar los resultados del procedimiento actual, y de ser así plantear incluir este tipo de metodologías de manera oficial en la futura toma de datos del experimento (Run 3). Para el entrenamiento se ha utilizado una muestra de muones simulados, de manera que el algoritmo predictivo se alimenta de la información que estos muones dejan a su paso por el detector CMS. Los resultados obtenidos muestran una mejora del 26% en la resolución del momento transverso para los muones con 1200 ≤ pT ≤ 2000 GeV y │η│ < 0.9.

ABSTRACT: The aim of this work is to apply supervised deep machine learning techniques for the transverse momentum assignment to highly energetic muons in the CMS (Compact Muon Solenoid) experiment at LHC (Large Hadron Collider ) through regression, with the main goal of improving the results of the current procedure, and if so, consider including this kind of methodologies for the future data taking of the experiment (Run 3). For the training, a sample of simulated muons has been used, so that the predictive algorithm feeds on the information that these muons leave as they pass through the CMS detector. The results obtained show an improvement of 26% in the resolution of the transverse momentum for the muons with 1200 ≤ pT ≤ 2000 GeV y │η│ < 0.9.