Reconstruction of the Higgs boson mass using the machine learning algorithms

Abstract

This thesis addresses the challenge of invariant mass reconstruction in tau lepton de- cay channel of the Higgs boson, where neutrinos prevent direct mass measurement. A neural network is trained on mass-flattened Monte Carlo simulations of the tau decay channel of the Z boson, with data augmented through azimuthal rotations and Lorentz boosts. Compared to the standard Missing Mass Calculator (MMC), the network slightly improves mass reconstruction by reducing distribution tails and lowering the standard deviation. Mass flattening proves to be essential bias reduction method in mass recon- struction. Signal-background separation also improves moderately, with AUC rising from 0.8637 (MMC) to 0.8759. Although gains are modest, the study demonstrates the poten- tial of neural networks in invariant mass reconstruction and identifies mass distribution control as a key factor for further improvement.

Táto bakalárska práca sa zaoberá problémom rekonštrukcie invariantnej hmotnosti v rozpade Higgsovho bozónu cez tau leptonový kanál, kde prítomnosť neutrín znemožňuje priamy výpočet hmotnosti. Neurónová sieť bola trénovaná na Monte Carlo simuláciách tau leptonového rozpadu Z bozónu, upravených metódou zhladzovania hmotnostnej dis- tribúcie, pričom dáta boli augmentované azimutálnou rotáciou a Lorentzovými boostami. V porovnaní so štandardným nástrojom Missing Mass Calculator (MMC) sieť dosahuje mierne lepšiu rekonštrukciu hmotnosti, najmä vďaka menej signifikantným chvostom a nižšej štandardnej odchýlke hmotnostnej distribúcie. Ukázalo sa, že zhladzovanie hmot- nostnej distribúcie je kľúčovou pre zníženie systematického biasu rekonštrukcie hmotnosti. Separácia signálu od pozadia sa taktiež mierne zlepšila, nakoľko hodnota AUC vzrástla z 0.8637 (MMC) na 0.8759. Hoci sú zlepšenia oproti MMC len mierne, práca demonštruje potenciál využitia neurónových sietí pri rekonštrukcii invariantnej hmotnosti a poukazuje na dôležitosť trénovacej distribúcie v budúcich vylepšeniach.