Accelerating the search for mass bumps using BumpNet
Thèse ou mémoire / Thesis or Dissertation
Date de publication
Autrices et auteurs
Identifiant ORCID de l’auteur
Contributrices et contributeurs
Direction de recherche
Publié dans
Date de la Conférence
Lieu de la Conférence
Éditeur
Cycle d'études
Maîtrise / Master's
Programme
Affiliation
Mots-clés
- Physique des particules
- LHC
- ATLAS
- Apprentissage automatique
- Réseaux neuronaux
- Au-delà du Modèle Standard
- Particle physics
- Machine learning
- Neural networks
- Beyond the Standard Model
Organisme subventionnaire
Résumé
Résumé
Depuis la découverte historique du boson de Higgs, les physiciens et physiciennes des particules recherchent assidûment des preuves de nouvelle physique. Malgré le succès du Modèle Standard dans l'élucidation des forces et des particules fondamentales, validé par des expériences telles que celles menées par ATLAS au Grand Collisionneur de Hadrons (LHC), il présente de nombreuses lacunes. Face à l'absence persistante d'anomalies dans la recherche de nouvelle physique, l'intelligence artificielle apparaît comme une voie prometteuse. Ce mémoire de maîtrise contribue à une recherche de nouvelle physique dans les données de l'expérience ATLAS, en utilisant un modèle d'apprentissage machine, BumpNet.
BumpNet représente une approche innovante pour rechercher efficacement de la nouvelle physique dans divers spectres, qui sont en présence de bruit de fond du Modèle Standard strictement décroissants. S'écartant de l'analyse conventionnelle employée dans la physique des particules expérimentale, BumpNet élimine la nécessité d'une estimation simulée ou analytique du bruit de fond. Au lieu de cela, il prédit directement la signification statistique en utilisant un réseau neuronal convolutionnel entraîné à régresser la signification basée sur la log-vraisemblance. Cette nouvelle méthodologie permet d'identifier les excès de masse invariante directement à partir des données, en contournant la nécessité d'une estimation du bruit de fond et en économisant un temps d'analyse considérable.
En employant un réseau neuronal convolutionnel entraîné pour détecter les bosses de masse dans les données, BumpNet a le potentiel d'améliorer de manière significative la portée des expériences en sondant de nombreuses régions jusqu'alors inexplorées. L'efficacité de cette méthode a été démontrée par l'identification réussie de diverses particules au-delà du modèle standard dans les données de simulation, par son faible taux de faux positifs et par ses bonnes performances par rapport au test du rapport de vraisemblance. La mise en œuvre avec les données ATLAS de Run 2 est actuellement en cours.
Since the landmark discovery of the Higgs boson, particle physicists have been diligently pursuing evidence of new physics. Despite the Standard Model's success in elucidating the fundamental forces and particles, as validated by experiments such as those conducted with ATLAS at the Large Hadron Collider (LHC), it has many shortcomings. In light of the persistent absence of excesses in searches for new physics, artificial intelligence emerges as a promising avenue. This Master’s thesis contributes to an original, model-independent search for new physics within the ATLAS Experiment data, employing a machine learning model, BumpNet. BumpNet represents an innovative approach to efficiently investigate new physics across diverse spectra, which are in the presence of smoothly falling Standard Model (SM) backgrounds. Diverging from the conventional analysis employed in collider particle physics, BumpNet eliminates the necessity for a simulated or functionally derived background estimate. Instead, it directly forecasts statistical significance by utilizing a convolutional neural network trained to regress log-likelihood-based significance. This novel methodology enables the identification of mass bumps directly from the data, circumventing the need for background estimation and saving significant analysis time. By employing a trained convolutional neural network to detect mass bumps in the data, BumpNet holds the potential to significantly enhance the discovery reach by exploring numerous uncharted regions. The efficiency of this method has been demonstrated through its successful identification of various beyond standard model particles in simulation data, its low false positives rate, its good performance when compared to the profile likelihood ratio test. Implementation with Run 2 ATLAS data is currently on-going.
Since the landmark discovery of the Higgs boson, particle physicists have been diligently pursuing evidence of new physics. Despite the Standard Model's success in elucidating the fundamental forces and particles, as validated by experiments such as those conducted with ATLAS at the Large Hadron Collider (LHC), it has many shortcomings. In light of the persistent absence of excesses in searches for new physics, artificial intelligence emerges as a promising avenue. This Master’s thesis contributes to an original, model-independent search for new physics within the ATLAS Experiment data, employing a machine learning model, BumpNet. BumpNet represents an innovative approach to efficiently investigate new physics across diverse spectra, which are in the presence of smoothly falling Standard Model (SM) backgrounds. Diverging from the conventional analysis employed in collider particle physics, BumpNet eliminates the necessity for a simulated or functionally derived background estimate. Instead, it directly forecasts statistical significance by utilizing a convolutional neural network trained to regress log-likelihood-based significance. This novel methodology enables the identification of mass bumps directly from the data, circumventing the need for background estimation and saving significant analysis time. By employing a trained convolutional neural network to detect mass bumps in the data, BumpNet holds the potential to significantly enhance the discovery reach by exploring numerous uncharted regions. The efficiency of this method has been demonstrated through its successful identification of various beyond standard model particles in simulation data, its low false positives rate, its good performance when compared to the profile likelihood ratio test. Implementation with Run 2 ATLAS data is currently on-going.
Table des matières
Notes
Notes
Autre version linguistique
Ensemble de données lié
Licence
Approbation
Évaluation
Complété par
Référencé par
Ce document diffusé sur Papyrus est la propriété exclusive des titulaires des droits d'auteur et est protégé par la Loi sur le droit d'auteur (L.R.C. (1985), ch. C-42). Sauf si le document est diffusé sous une licence Creative Commons, il ne peut être utilisé que dans le cadre d'une utilisation équitable et non commerciale comme le prévoit la Loi (i.e. à des fins d'étude privée ou de recherche, de critique ou de compte-rendu). Pour toute autre utilisation, une autorisation écrite des titulaires des droits d'auteur sera nécessaire.