Study of properties of the Higgs boson at the ATLAS Experiment

Abstract

Reconstructing the transverse momentum of the Higgs boson in decays to tau leptons is hindered by undetectable neutrinos. The available experimental observables provide only partial information, combining visible tau decay products and missing transverse energy. This thesis explores whether a deep neural network can learn to infer the original Higgs momentum from such incomplete inputs. Using simulated ATLAS data for vector boson fusion events, a supervised regression model is trained to predict the generator-level transverse momentum. The network is able to capture correlations hidden to standard methods, offering a data-driven approach to recover information lost to neutrinos.

Rekonstrukci příčného momentu Higgsova bosonu v rozpadech na tau leptony kompli- kuje přítomnost nedetekovatelných neutrin. Experimentálně dostupné veličiny poskytují pouze částečné informace - kombinaci viditelných produktů rozpadu tau leptonů a chy- bějící příčné energie. Tato práce zkoumá, zda hluboká neuronová síť může z těchto neúpl- ných vstupů rekonstruovat původní hybnost Higgsova bosonu. S využitím simulovaných dat experimentu ATLAS pro produkci pomocí fúze vektorových bosonů byl natrénován supervidovaný regresní model pro predikci generátorové hodnoty příčného momentu. Síť dokáže zachytit korelace, které jsou standardními metodami nedostupné, a nabízí datově řízený přístup k obnově informace ztracené kvůli neutrinům.