Study of the Higgs boson at the ATLAS experiment at the LHC

Abstract

The classification of signal events in high-luminosity hadron experiments such as AT- LAS requires sophisticated multivariate analysis methods to separate signal from large background. This thesis describes the process of designing, optimizing and evaluating five Neural Networks - Deep Learning Vector Boson Fusion H → ττ taggers. In the study we use latest Monte Carlo simulation data from LHC Run 3. Our architectures differ in com- plexity from a Deep Residual Network to Transformer-based one. The taggers are rated in terms of maximal achieved signal significance. The analysis further includes a com- parison of different Deep Learning architectures, training dynamics and generalization behavior. Successful physical generalization is demonstrated. The resulting framework is intended for further use in ATLAS measurements.

Klasifikace signálních eventů na experimentech srážejících hadrony s vysokou lumi- nozitou vyžaduje sofistikované metody vícerozměrné analýzy k úspěšné separaci signálu od mohutného pozadí. Tato diplomová práce popisuje proces navržení, optimalizace a evaluace pěti neuronových sítí - modelů hlubokého učení identifikujících proces H → ττ, kde Higgsův boson vzniká fúzí vektorových bosonů. V rámci studie byla využita data z Monte Carlo simulací založených na LHC Run 3. Využité architektury se liší složitostí - od Deep Residual Network až po model založený na architektuře Transformer. Taggery byly hodnoceny podle maximální dosažené signifikance signálu. Studie dále zahrnuje srov- nání využitých neuronových sítí, dynamiky tréninku a schopnosti generalizace. V práci je ukázána úspěšná generalizace pro všechny natrénované modely. Výsledný framework je připraven pro další využití v rámci analýzy dat z experimentu ATLAS.