Identifikace případů se čtyřmi top kvarky v datech z urychlovače LHC pomocí algoritmů strojového učení

Abstract

Jet tagging je metoda analýzy produktů ze srážek na urychlovačích, jejíž podsta- tou je označování původu jednotlivých jetů na základě vůně původního kvarku, z něhož vznikly. Tato práce se zabývá využitím algoritmů strojového a hlubokého učení na vy- tvoření neuronové sítě schopné top-taggingu a přípravou takové sítě na využití v rámci detekce případů s rozpady na čtveřici top kvarků. Pro vybudování top-taggeru je využita neuronová síť založená na architektuře modelu Transformer. Pro výsledný model bylo vyzkoušeno několik variací architektury, několik sad hyperparametrů a pomocí dosaže- ných výsledků na testovacích datech byl vybrán nejvýkonnější model. Výsledkem práce je otestovaný funkční top-tagger. Navíc bylo nalezeno doporučené nastavení modelu pro další využítí při identifikaci rozpadů na čtyři top kvarky. Výstup z našeho modelu bude možno využít jako nadstandardní informaci pro vstup do verzatilnějších klasifikačních neuronových sítí. 1

Jet tagging is a method of analyzing accelerator collision products. It performs labeling of jets according to the flavor of quark from which they arose. The subject of the thesis is to use machine learning and deep learning algorithms to build a top-tagging neural network and to prepare this network for being used as a support mechanism for the identification of four top decay events. Our top-tagger architecture is based on the successful Transformer architecture. To achieve the final form of top-tagger several variations in architecture and several sets of hyperparameters were tried. Subsequently, the best-performing model was chosen. The result of our thesis constitutes of tested functioning top-tagger. Moreover, an optimal setting for further use in identifying four top events was found. The output of our neural network will be suitable to use as additional information to the input of more versatile classification models thus creating space for improvement of those classification models. 1