Uso de técnicas ML como método alternativo para la identificación de jets adicionales en eventos top

Abstract

El objetivo de este trabajo es comprobar la eficiencia de una técnica de Machine Learning (ML) conocida como Boosted Decision Trees (BDT) para identificar jets adicionales en decaimientos de par top anti-top (tt), usando simulaciones de datos del detector Compact Muon solenoid (CMS) del acelerador de partículas Large Hadron Collider (LHC) en el 2017 con energías en el centro de masas de 13 TeV. Se han empleado eventos tt con el objetivo entrenar varias BDT para que identifiquen los jets adicionales. Se ha comparado la eficiencia de la técnica de ML con el método canónico usado en la física del top: la reconstrucción cinemática. Las eficiencias de identificación de jets adicionales en las BDT han alcanzado máximos de hasta el 57% mientras que la reconstrucción cinemática ha alcanzado máximos del 75 %.

The objective of this work is to assess the effectiveness of Machine Learning (ML) techniques known as Boosted Decision Trees (BDT) for the identification of additional jets in decays of top anti-top pairs (tt), by means of data simulations from the Compact Muon Solenoid (CMS) detector at the Large Hadron Collider (LHC) in 2017, operating at a centerof- mass energy of 13 TeV. tt decay data have been employed to train multiple BDT aimed at identifying the additional jets. The efficiency of the ML technique has been compared against the canonical method used in top physics: kinematic reconstruction. The identification efficiencies of additional jets using BDT have reached maximum values of up to 57 %, whereas kinematic reconstruction has achieved maximum efficiencies of 75 %.