Lund Jet Plane tagger for boosted particles in the ATLAS experiment
Cargando...
Autores
Tipo de contenido
Editor
Document language:
Inglés
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Esta tesis presenta el desarrollo, la optimización y el despliegue de un clasificador de jets basado en aprendizaje automático, construido sobre la representación del Plano de Lund, dentro del experimento ATLAS en el Gran Colisionador de Hadrones (LHC).
El objetivo central de este trabajo es investigar la viabilidad de un marco basado en el Plano de Lund para la identificación de objetos en el régimen boosted, con énfasis particular en su sensibilidad a los efectos de modelado de Monte Carlo y a las correlaciones con la masa del jet. El estudio incluye una caracterización sistemática de las variaciones dependientes del generador, utilizando múltiples modelos de parton shower y hadronización, así como la exploración de estrategias de mitigación tales como el entrenamiento con múltiples generadores y restricciones en el espacio de fases dentro de la secuencia de declustering.
El desempeño del clasificador se evalúa para la identificación de quarks top y bosones W en el régimen boosted, y se compara con arquitecturas también basadas en constituyentes establecidas en ATLAS, incluyendo redes neuronales gráficas y modelos basados en transformadores. Aunque el clasificador basado en el Plano de Lund no alcanza el mayor rechazo de fondo obtenido por las
arquitecturas de atención global más avanzadas, demuestra un desempeño competitivo en un amplio rango de momento transversal, particularmente a altos valores de pT, apoyándose en una representación física estructurada y compacta del patrón de radiación del jet.
También se aborda la implementación del modelo dentro del marco de software de ATLAS (Athena). El clasificador se adapta para inferencia basada en ONNX y se integra en la cadena de reconstrucción de Athena, permitiendo su uso dentro de los flujos de análisis estándar de ATLAS.
Se presenta además una extensión exploratoria del método para la identificación del bosón de Higgs, estableciendo un marco coherente para evaluar enfoques basados en el Plano de Lund en múltiples topologías de objetos boosted.
En conjunto, este trabajo ofrece un estudio detallado de la interacción entre representaciones de jets motivadas físicamente, arquitecturas de aprendizaje automático y las incertidumbres asociadas al modelado de Monte Carlo en el contexto del etiquetado moderno de jets en ATLAS. (Texto tomado de la fuente)
Abstract
This thesis presents the development, optimization, and deployment of a machine-learning-based jet tagger built upon the Lund Jet Plane representation within the ATLAS experiment at the Large Hadron Collider.
The central objective of this work is to investigate the viability of a Lund-plane-based framework for boosted-object tagging, with particular emphasis on its sensitivity to Monte Carlo modeling effects and jet mass correlations. The study includes a systematic characterization of generator-dependent variations using multiple parton shower and hadronization models, as well as the exploration of mitigation strategies such as mixed-generator training and phase-space restrictions in the declustering sequence.
The performance of the tagger is evaluated for boosted top-quark and W-boson identification and compared to established ATLAS constituent-based architectures, including graph neural networks and transformer-based models. While the Lund Plane tagger does not reach the highest background rejection achieved by state-of-the-art global-attention architectures, it demonstrates competitive performance across a broad transverse-momentum range, particularly at high pT, while relying on a physically structured and compact representation of the jet radiation pattern.
The implementation of the model within the ATLAS software framework (Athena) is also addressed. The tagger is adapted for ONNX-based inference and integrated into the Athena reconstruction chain, enabling its use within standard ATLAS analysis workflows.
An exploratory extension of the method to Higgs boson tagging is presented, establishing a consistent framework for evaluating Lund-plane-based approaches across multiple boosted-object topologies.
Overall, this work provides a detailed study of the interplay between physics-motivated jet representations, machine learning architectures, and Monte Carlo modeling uncertainties in the context of modern ATLAS jet tagging.
Descripción
ilustraciones a color, diagramas
Términos Normalizados
APRENDIZAJE AUTOMATICO (INTELIGENCIA ARTIFICIAL); Machine learning; APRENDIZAJE SUPERVISADO (APRENDIZAJE AUTOMATICO); Supervised learning (Machine learning); PARTICULAS (FISICA NUCLEAR); Particles (Nuclear physics); HADRONES; Hadrons; QUARKS; Quarks; 530 - Física; 620 - Ingeniería y operaciones afines::621 - Física aplicada