A multivariate approach to dilepton analyses in the upgraded ALICE detector at CERN−LHC

Abstract

deu: ALICE, eines der vier großen Experimente am CERN–LHC, wird in denJahren 2019/20 einem umfassenden Upgrade unterzogen werden. Die vorliegende Arbeit dient der Abschätzung der Realisierbarkeit von konventionellenund multivariaten Analysetechniken für die Messung von Di-Elektronen mitgeringer Masse in Pb-Pb-Kollisionen in einem Szenario, das den verbessertenALICE-Detektor mit einem geringen Magnetfeld (B = 0.2 T) involviert. InKollisionen von ultrarelativistischen, schweren Kernen wird ein heißes unddichtes Medium erzeugt. Elektron-Positron-Paare stellen vielversprechende Sonden für dieses Medium dar, da sie es ohne signifikante Änderungen ihresfinalen Zustandes durchqueren. Aufgrund ihres geringen Signal-Untergrund-Verhältnisses werden Proben mit hoher Reinheit benötigt. Diese können durch konventionelle Analysemethoden, welche auf sequentiellen Schnitten basieren, auf Kosten von geringer Signaleffizienz bereitgestellt werden. Die vorliegende Arbeit zeigt, dass existierende Ansätze durch den Einsatz multivariater Methoden zur Unterdrückung verschiedener Untergrund-Quellen im Di-Elektronen-Massenspektrum verbessert werden können. Die Hauptkomponen-te des Untergrund sind Di-Elektronen von Photon-Konversionen und kombinatorische Di-Elektronenpaare. Der Einsatz von “tiefen” neuronalen Netzwerken(deep neural networks) ermöglicht eine Verbesserung des Signal-Untergrund-Verhältnisses von bis zu 60 % im Vergleich zu existierenden Ergebnissen im Falle von multivariater Unterdrückung des Konversionsuntergrundes und biszu 30 % im Falle von zusätzlicher Unterdrückung aller kombinatorischer Komponenten. In beiden Fällen erhöht sich die Signifikanz um etwa 15 % im Vergleich zu herkömmlichen Ansätzen. Außerdem werden verschiedene Strategien zur Unterdrückung von heavy flavor-Paaren (i. e., von c¯c oder b¯b herrührende Di-Elektronen) untersucht und die damit verbundenen Herausforderungen identifiziert. Da multivariate Methoden im Vergleich zu konventionellen Methoden die Ergebnisse hinsichtlich des Signal-Untergrund-Verhältnisses und der Signifikanz bedeutend verbessern, wird allgemein die Schlussfolgerung ge-zogen, dass diese Methoden einen leistungsfähigen und vielversprechenden Ansatz für die Analyse von Di-Elektronen darstellen. Weiters verringern multivariate Methoden die Komplexität existierender Implementierungen, in dem sie ermöglichen, (1) die Analysen auf Basis einzelner Teilchenspuren (i. e.,tracks) durchzuführen, anstelle von Paaren von tracks, (2) manche eingesetzten und aufwendigen Analysemethoden zu ersetzen, ohne die Analyseergebnisse dabei nennenswert zu verschlechtern, und (3) das manuelle Konstruieren von Inputvariablen bis zu einem gewissen Grad hinfällig zu machen.

ALICE, the dedicated heavy-ion experiment at CERN–LHC, will undergo a major upgrade in 2019/20. This work aims to assess the feasibility of conventional and multivariate analysis techniques for low-mass dielectron measurements in Pb-Pb collisions in a scenario involving the upgraded ALICE detector with a low magnetic field (B=0.2 T). These electron-positron pairs are promising probes for the hot and dense medium, which is created in collisions of ultra-relativistic heavy nuclei, as they traverse the medium without significant final-state modifications. Due to their small signal-to-background ratio, high-purity dielectron samples are required. They can be provided by conventional analysis methods, which are based on sequential cuts, however at the price of low signal efficiency. This work shows that existing methods can be improved by employing multivariate approaches to reject different background sources of the dielectron invariant mass spectrum. The major background components are dielectrons from photon conversion and combinatorial pairs. By implementing deep neural networks, the signal-to-background ratio can be improved by up to 60% over existing results in the case of pure conversion rejection and up to 30% in the case of additional suppression of all combinatorial background components. In both cases, the gain in significance is about 15% compared to conventional approaches. Additionally, different strategies for rejecting heavy flavor pairs (i.e., dielectrons originating from ccbar or bbbar) are studied and some of their major challenges identified. In general, it is concluded that multivariate techniques are a powerful and promising approach to dielectron analyses since they significantly improve the results over conventional methods in terms of signal-to-background ratio and significance. Moreover, these techniques remove complexity from existing implementations as they allow to (1) base the analyses on individual tracks (instead of track pairs), essentially without sacrificing analysis performance, (2) render some of the existing and involved analysis methods obsolete and, to some degree, (3) obviate the need for manual input feature engineering.