Title: Deep learning in searches for supersymmetry with compressed mass spectra
Other Titles: Suche mit Deep Learning nach Supersymmetrie mit komprimierten Massenspektren
Language: English
Authors: Brückler, Tim Lukas 
Qualification level: Diploma
Advisor: Schieck, Jochen 
Assisting Advisor: Schöfbeck, Robert 
Issue Date: 2020
Number of Pages: 93
Qualification level: Diploma
Abstract: 
Am Large Hadron Collider (LHC) des CERN werden Protonen mit einer Schwerpunktsenergie von bis zu 13TeV kollidiert. Die dabei entstehenden Teilchen werden vom Compact Muon Solenoid (CMS) Experiment, einem Multifunktionsdetektor, detektiert, rekonstruiert und identifiziert. Für viele Datenanalysen am CMS Experiment ist es essenziell, Elektronen und Muonen gemäß ihrer Entstehung, entweder durch die primäre Streuung oder in den darauffolgenden Schauer-, Hadronisierungs- und Zerfallsprozessen richtig zu identifizieren. Um die Identifikation von Leptonen mit Hilfe der neuesten Deep Learning Technologien auf das nächste Level zu heben, wurde das DeepLepton Framework entwickelt. In dieser Arbeit wurde das neuronale Netz von DeepLepton mit simulierten Daten, entsprechend den CMS Datensätzen aus den Jahren 2016 und 2017, trainiert. Dabei wurden sowohl Modelle zur Elektronenidentifikation als auch solche für Muonen trainiert. Das Ziel dieser Abschlussarbeit war es, die Sensitivität des DeepLepton Algorithmus in Suchen nach Phänomenen, die über das Standard Modell hinausgehen, zu messen. Die besten Ergebnisse werden dabei für niederenergetische Leptonen erzielt. Im Rahmen dieser Abschlussarbeit wurde daher eine Suche nach Stop Squarks in supersymmetrischen (SUSY) Szenarien mit komprimiertem Massenspektrum aus dem Jahre 2016 durchgeführt und die Event-Selektion mit neuen, auf DeepLepton basierenden Kriterien erweitert bzw. ersetzt. Es zeigt sich, dass die Anwendung von DeepLepton in dieser Analyse für manche Szenarien zu einer signifikanten Steigerung der Sensitivität führt, womit bestätigt wurde, dass DeepLepton in Analysen mit Hintergründen mit nicht-prompten Leptonen einen eindeutigen Vorteil bringen kann. Im Fall von Massendifferenzen über 20 GeV werden die Massenlimits für Stop Squarks um ca. 30 GeV, gegenüber der originalen Event-Selektion, verbessert.

At CERN’s Large Hadron Collider (LHC), protons are collided at a centre-of-mass energy of up to 13TeV. The emerging particles are detected, reconstructed and identified by one of the general purpose detectors, the Compact Muon Solenoid (CMS) experiment. For many data analyses at the CMS experiment, it is essential to correctly identify electrons and muons according to their origin in either the initial hard scatter reaction or in subsequent shower, hadronisation, and decay processes during jet formation. In order to improve lepton identification, the DeepLepton framework has been developed which employs state-of-the-art machine learning techniques in deep learning. Within the framework of this thesis, deep neural network models are trained with simulated data, corresponding to the CMS data set from the years 2016 and 2017. Both lepton flavours, electrons and muons, are used. The goal of this thesis is to quantify the sensitivity improvement of the DeepLepton algorithm in searches for phenomena beyond the Standard Model. The gain is highest for signals with low energetic leptons. A search for stop squarks in supersymmetric (SUSY) scenarios with compressed mass spectra from the year 2016 is carried out and the event selection is updated with the selection criteria based on DeepLepton. It is found that DeepLepton leads to a significant increase in sensitivity for some scenarios, thus confirming that DeepLepton can provide a clear advantage in analyses with backgrounds containing not-prompt leptons. At mass splittings above 20 GeV, the improvements of the exclusion limits for stop squark masses amount to about 30GeV, compared to the initial event selection.
Keywords: Large Hadron Collider; Machine Learning; Supersymmetry
URI: https://doi.org/10.34726/hss.2020.79365
http://hdl.handle.net/20.500.12708/15007
DOI: 10.34726/hss.2020.79365
Library ID: AC15673129
Organisation: E141 - Atominstitut 
Publication Type: Thesis
Hochschulschrift
Appears in Collections:Thesis

Files in this item:

Show full item record

Page view(s)

58
checked on Jun 16, 2021

Download(s)

65
checked on Jun 16, 2021

Google ScholarTM

Check


Items in reposiTUm are protected by copyright, with all rights reserved, unless otherwise indicated.