The top quark, the heaviest particle to date, plays a key role in the physics program of the LHC (Large Hadron Collider) accelerator at CERN (European Organization for Nuclear Research). This study investigates several identification techniques for distin guishing the lepton-bjet state originating from the same top quark, which is generated through the semi-leptonic decay mode of tt¯. The aforementioned events are generated through proton-proton collisions with a center of mass energy of √s = 13 TeV in the Large Hadron Collider (LHC). The data pertaining to these events were acquired by the CMS detector during the year 2017. The primary objective of this work is to enhance the characterization of the source of the reconstructed objects detected by the particle detector, including various entities such as muons, electrons, jets, b-jets, and so forth. The objective of this study was to assess the effectiveness of employing advanced machine learning techniques, tailored to our experimental conditions, in identifying the decay products of the top quark. Currently, the identification rate stands at approximately 60%. Furthermore, we have made modifications to the variables utilized in order to improve their ability to differentiate between different decay products. To do this, four methodologies have been examined: two utilizing Boosted Decision Trees and an additional two employing Deep Neural Networks. Efficiencies above 65% have been attained in the identification of the accurate lepton-bjets combination by the use of Boosted Decision Trees (BDT). Conversely, deep learning techniques have acquired a success rate of 64% and 67% for the DNN of TMVA and PyKeras, respectively. The introduction of the new approach is expected to have a significant effect on the structure of the variable ”Invariant Mass of the le ys a crucial role in the determination of the W-helicity fractions.
El quark top, la partícula más pesada hasta la fecha, juega un papel clave en el programa de física del LHC (Large Hadron Collider) acelerador en el CERN (European Organization for Nuclear Research). Este estudio investiga varias técnicas de identificación para distinguir el estado leptón-bjet originado del mismo quark top, que se genera a través del modo de descomposición semileptónica de tt¯ Los eventos antes mencionados se generan a través de colisiones de protones-protones con un centro de energía de masa de √s = 13 TeV en el Gran Colisionador de Hadrones (LHC). Los datos relativos a estos eventos fueron adquiridos por el detector CMS durante el año 2017. El objetivo principal de este trabajo es mejorar la caracterización de la fuente de los objetos reconstruidos detectados por el detector de partículas, incluyendo diversas entidades como muones, electrones, jets, b-jets, y así sucesivamente. El objetivo de este estudio era evaluar la eficacia de emplear técnicas avanzadas de aprendizaje automático, adaptadas a nuestras condiciones experimentales, en la identificación de los productos de descomposición del quark superior. Actualmente, la tasa de identificación se sitúa en aproximadamente el 60%. Además, hemos hecho modificaciones a las variables utilizadas para mejorar su capacidad de diferenciar entre diferentes productos de descomposición. Para ello, se han examinado cuatro metodologías: dos que utilizan árboles de decisión y otros dos que emplean redes neuronales profundas. Se han alcanzado eficiencias alrededor al 65% en la identificación de la combinación exacta de leptones-bjets mediante el uso de ´arboles de decisión impulsados (BDT). Por el contrario, las técnicas de aprendizaje profundo han adquirido una tasa de éxito del 64% y 67% para el DNN de TMVA y PyKeras, respectivamente. Se espera que la introducción del nuevo enfoque tenga un efecto significativo en la estructura de la variable “Masa invariante del leptón-bjet” desempeña un papel crucial en la determinación de las fracciones de helicidad W.
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 International
