1. Home page
  2. Search

Implementation of a lepton identification algorithm using machine learning for measurements of the tt+X associated production process in the CMS experiment at the LHC

This item is provided by the institution :
/aggregator-openarchives/portal/institutions/uoa   

Repository :
Pergamos Digital Library   

see the original item page
in the repository's web site and access all digital files if the item*



Implementation of a lepton identification algorithm using machine learning for measurements of the tt+X associated production process in the CMS experiment at the LHC
Κάτρης Παναγιώτης (EL)
Katris Panagiotis (EN)
born_digital_postgraduate_thesis
Διπλωματική Εργασία (EL)
Postgraduate Thesis (EN)
2024
Στόχος της παρούσας εργασίας είναι η ανάπτυξη τεχνικών για την ταυτοποίηση και την επι- λογή λεπτονίων που προέρχονται από διασπάσεις top κουάρκ μέσω μιας επακόλουθης λεπτονικής διάσπασης μποζονίου W. Κατά τη συσχετισμένη παραγωγή top κουάρκ με διανυσματικά μποζό- νια, prompt λεπτόνια μπορούν επίσης να προκύψουν από τη διάσπαση των συσχετισμένων μπο- ζονίων. Τα λεπτόνια από αδρονικές διασπάσεις θεωρούνται non-prompt και εμφανίζονται λιγότερο απομονωμένα από τα prompt λεπτόνια. Αυτά τα non-prompt λεπτόνια είναι από τα πιο σημαν- τικά υπόβαθρα σε διεργασίες που έχουν πολυλεπτονικές τελικές καταστάσεις. Η παρούσα ερ- γασία εστιάζει στην υλοποίηση ενός αλγορίθμου μηχανικής μάθησης για τη διάκριση λεπτονίων σε διεργασίες tt+X στο CMS με έμφαση στη t t̄H(cc̄) διεργασία, με στόχο τη μείωση του non- prompt λεπτονικού υποβάθρου, διατηρώντας ταυτόχρονα της μέγιστη απόδοση στην επιλογή των prompt λεπτονίων. (EL)
The goal of this thesis is the development of techniques for the identification and selection of leptons originating from top quark decays via a subsequent leptonic W bo- son decay. In the associated production of top quarks with vector bosons, prompt lep- tons can also emerge from the associated vector boson decay. Leptons from hadronic decays are considered as non-prompt and appear to be less isolated than the prompt ones. These non-prompt leptons are among the most important backgrounds in pro- cesses that have multilepton final states. This thesis focuses on the implementation of a machine learning algorithm for lepton discrimination in tt+X processes at CMS with emphasis to the t t̄H(cc̄), aiming to reduce the non-prompt lepton background and retaining at the same time maximum prompt lepton selection efficiency. (EN)
Θετικές Επιστήμες
Θετικές Επιστήμες (EL)
Science (EN)
English
Βιβλιοθήκη και Κέντρο Πληροφόρησης » Βιβλιοθήκη Σχολής Θετικών Επιστημών
Σχολή Θετικών Επιστημών » Τμήμα Φυσικής » ΠΜΣ Φυσική » Κατεύθυνση Πυρηνική Φυσική και Φυσική Στοιχειωδών Σωματιδίων
https://creativecommons.org/licenses/by-nc/4.0/
University of Athens
Pergamos Digital Library
Postgraduate Thesis



*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)