Study of WZγ production in fully leptonic final state at High-Luminosity LHC using machine learning
기계 학습을 이용한 고휘도 LHC 환경에서 완전히 렙톤으로 붕괴하는 WZγ 생성 연구
- 발행기관 경북대학교 대학원
- 지도교수 김동희
- 발행년도 2022
- 학위수여년월 2022. 2
- 학위명 석사
- 학과 및 전공 일반대학원 물리학과
- 원문페이지 69 p.
- 실제URI http://www.dcollection.net/handler/knu/000000100579
- UCI I804:22001-000000100579
- 본문언어 영어
- 참고문헌 p. 66-68
초록/요약
고휘도 LHC (HL-LHC)는 14 TeV의 질량 중심 에너지에서 작동되며, 현재까지 중 가장 높은 휘도인 3000 fb^(-1) 에 도달할 예정이다. 이는 표준 모형에서 예측되지만 드물게 발생하거나 아직 명확하게 관측이 안 된 흥미로운 프로세스를 분리 및 관측하는 것에 대한 감도를 크게 향상시킨다. 삼중 벡터 보손 생성 프로세스는 매우 작은 단면적을 가지고 있어 이러한 흥미로운 프로세스로 고려된다. 이러한 삼중 벡터 보손 생성 프로세스 중, 우리는 고휘도 LHC 환경에서 WZγ 프로세스의 관측 가능성을 보고한다. 본 연구에서는 세 개의 렙톤, 하나의 중성미자, 그리고 하나의 광자를 포함하는 최종 상태를 가지는 완전히 렙톤으로 붕괴하는 WZγ 생성 채널을 사용한다. 우리는 매드그래프5, 피시아8 및 델피스3을 사용하여 생성한 샘플을 바탕으로 모의 실험을 진행하였다. 본 연구에서는 배경사건으로부터 신호사건을 효과적으로 구분하기 위해 기계 학습의 종류 중 하나인 심층 신경망을 이용하여 사건 선별을 수행하였다. 최종 결과로서, 신호사건 관측을 위한 최소의 휘도 값이 각각의 채널에서 구해졌다. 이 결과를 통해, WZγ 생성반응이 고휘도 LHC 데이터를 이용해 정밀하게 관측되기를 기대한다.
more목차
CHAPTER 1. INTRODUCTION 1
CHAPTER 2. THEORETICAL MOTIVATION 3
2.1 STANDARD MODEL 3
2.2 ELECTROWEAK GAUGE BOSON 4
2.3 MULTI-BOSON PRODUCTION 4
2.3.1 TRIPLE BOSON PRODUCTION 5
2.3.2 TRIPLE AND QUARTIC GAUGE BOSON COUPLING 6
2.3.3 WZΓ PRODUCTION 7
CHAPTER 3. EXPERIMENTAL APPARATUS 9
3.1 ACCELERATOR: LARGE HADRON COLLIDER 9
3.2 LHC RUN 11
3.2.1 RUN 1, 2 HISTORY AND RUN 3 11
3.2.2 HL-LHC 11
3.3 DETECTOR: THE COMPACT MUON SOLENOID 13
3.3.1 SUPERCONDUCTING SOLENOID 14
3.3.2 TRACKER 15
3.3.3 CALORIMETER 15
3.3.3.1 ELECTROMAGNETIC CALORIMETER 16
3.3.3.2 HADRON CALORIMETER 16
3.3.4 MUON CHAMBER AND RETURN YOKE 17
3.3.5 SUB-DETECTOR COMPONENTS MAINLY USED FOR THIS ANALYSIS 17
CHAPTER 4. DATA REDUCTION 19
4.1 MONTE CARLO EVENT SAMPLE PRODUCTION 19
4.2 PARTICLE DEFINITION 21
4.3 EVENT SELECTION 22
4.3.1 DI-LEPTON INVARIANT MASS 23
4.3.2 MISSING TRANSVERSE ENERGY 24
4.3.3 LEPTON TRANSVERSE MOMENTUM 26
4.3.4 PHOTON TRANSVERSE MOMENTUM 29
4.3.5 SUMMARY OF PARTICLE DEFINITION AND EVENT SELECTION 31
CHAPTER 5. ANALYSIS USING MACHINE LEARNING METHOD 33
5.1 SUPERVISED LEARNING 33
5.2 TRAINING FOR THE WZΓ PROCESS 34
5.3 TRAINING MODEL 36
5.4 TRAINING RESULTS USING DEEP LEARNING METHODS 38
CHAPTER 6. OPTIMIZATION 44
6.1 EXPECTED SIGNIFICANCE 44
6.2 SELECTION OPTIMIZATION 44
6.3 SIGNAL REGION 47
6.4 P-VALUE EVALUATION 54
CHAPTER 7. RESULT 58
CHAPTER 8. CONCLUSION 60
APPENDIX A: MACHINE LEARNING METHOD 61
APPENDIX B: COMBINED CHANNEL 63
REFERENCES 66
