Tagging Particles with the Lund Jet Plane and Machine Learning at the LHC
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta tesis estudia la identificación de jets en el régimen de alto momento transverso utilizando el conjunto de datos público JetClass como una muestra de alta estadística y con etiquetas bien definidas para estudios sistemáticos. Jets con 500 < pT < 1000 GeV se reagrupan con el algoritmo Cambridge-Aachen y se decostruyen para tomar el plano de Lund primario. A cada emisión se asignan variables (∆R, kt, z) que se usan como parte de un grafo. Una red neuronal de grafos tipo LundNet se entrena en clasificaciones binarias de señal vs. QCD con 10⁶ jets de señal y 10⁶ jets de fondo por entrenamiento, sin imponer un corte adicional en la masa del jet. Las distribuciones resultantes en el plano de Lund muestran la subestructura esperada de los jets. Para jets hadrónicos de W/Z, el clasificador alcanza rechazos del fondo QCD de O(10²–10³) en ϵsig ∼ 0.3–0.5, con una dependencia leve en pT. En jets de top, la discriminación depende del canal de desintegración, siendo los tops hadrónicos mejores que los semileptónicos en eficiencias intermedias. Para el Higgs se observa una jerarquía consistente entre modos de desintegración, destacando los canales multiprong H → WW como los más distinguibles. Una versión multiclase de LundNet con cuatro clases (entrenada con 2 × 10⁶ jets por clase) obtiene tasas de clasificación correcta de ∼ 83% (H → bb̄), 93% (top), 84% (W) y 71% (QCD). A partir de las probabilidades por clase del modelo se construye un discriminante optimizado para H → bb̄ manteniendo un desempeño estable en el intervalo boosted. En conjunto, el plano de Lund ofrece una representación compacta e interpretable que las redes de grafos pueden explotar para la identificación de objetos boosted. (Texto tomado de la fuente)
Abstract
This thesis studies boosted-jet tagging using the JetClass public dataset as a high-statistics, fully labeled benchmark. Jets with 500 < pT < 1000 GeV are reclustered with the Cambridge–Aachen algorithm and declustered to build the primary Lund jet plane. Each splitting is encoded by physically motivated variables such as (∆R, kt ≃ pT,soft∆R, z) and used as graph input. A LundNet graph neural network is trained for binary signal-vs-QCD tasks with 106 signal and 106 background jets per task, without a jet-mass cut. The resulting Lund-plane distributions show the expected jet substructure. For hadronic W/Z jets, the classifier achieves QCD background rejection of O(102–103) at ϵsig ∼ 0.3–0.5, with mild pT dependence. Top-jet discrimination depends on the decay mode, with hadronic tops outperforming semileptonic tops at intermediate efficiencies. Higgs tagging shows a consistent hierarchy across decay channels, with multi-prong H → WW modes being the most distinctive. A four-class multiclass LundNet (trained with 2 × 106 jets per class) achieves correct classification rates of ∼ 83% (H → b¯b), 93% (top), 84% (W), and 71% (QCD). From per-class probabilities of the model, a H → b ¯b-optimized discriminant is constructed while preserving stable performance across the boosted interval. Overall, the Lund jet plane provides a compact, interpretable representation that graph networks exploit for boosted-object tagging.
Descripción
ilustraciones, diagramas
Palabras clave propuestas
Términos Normalizados
Partículas (Física nuclear); Chorros (Física nuclear); Aprendizaje automático (Inteligencia artificial); Gran Colisionador de Hadrones; Cromodinámica cuántica; Redes neuronales (Computadores); Algoritmos de grafos; Large Hadron Collider (France and Switzerland); Quantum chromodynamics; Neural networks (Computer science); Graph algorithms; Machine learning; Jets (Nuclear physics); Particles (Nuclear physics); 530 - Física; 530 - Física::539 - Física moderna