Alumni-Preis 2023

Betreuer: PD Dr. Andrea Knue und Prof. Dr. Gregor Herten

Kurzzusammenfassung der Arbeit (deutsch):

Diese Masterarbeit widmet sich der Entwicklung eines erweiterten Flavour-Tagging-Algorithmus für mögliche Anwendungen in der Teilchenphysik. Flavour-Tagging ist ein wichtiges Tool in der Teilchenphysik, da es die Identifizierung des Flavours schwerer Hadronen in hadronischen Jets ermöglicht und somit bei der Identifizierung bestimmter physikalischer Prozesse hilft. Dies ist besonders wichtig für anspruchsvolle Analysen wie die Suche nach dem ttH(->bb)-Signal, wobei ein seltener Produktionsprozess des Higgs-Bosons in Verbindung mit zwei Top-Quarks gemessen wird. Dieser Prozess wurde erstmals 2018 beobachtet und ermöglicht die Messung der Yukawa-Kopplung zwischen dem Top-Quark und dem Higgs-Boson. Diese Messung leidet jedoch unter einem großen irreduziblen tt+bb-Untergrund, der Jets enthalten kann, die von zwei kollimierten b-Hadronen stammen. Eine erfolgreiche Identifizierung solcher bb-Jets könnte eine bessere Unterdrückung dieses Untergrundprozesses ermöglichen, was zu saubereren Signalregionen führen könnte. Allerdings ist dies mit gängigen Flavour-Tagging-Algorithmen nicht möglich. Um die bb-Jet-Identifizierung zu ermöglichen, wurde in dieser Arbeit ein erweiterter Flavour-Tagging-Algorithmus entwickelt. Die Architektur dieses Algorithmus basiert auf dem Deep-Learning-basierten Flavour-Tagging-Algorithmus DL1d, welcher im ATLAS-Experiment in Run III des LHC verwendet wird. Darüber hinaus wurden Optimierungsstudien zur Definition der Tagger-Diskriminante durchgeführt. Der finale bb-DL1d-Tagger ist in der Lage, bb-Jets erfolgreich zu identifizieren, während er beim Single-b-Tagging immer noch eine gute Leistung erbringt, was vielversprechend für zukünftige Anwendungen im Rahmen des ATLAS-Experiments ist.

Abstract of thesis (english):

This thesis investigates the development of an extended flavour-tagging algorithm for potential applications in particle physics. Flavour tagging is a crucial tool in particle physics since it allows to identify the flavour of heavy hadrons inside hadronic jets and thus helps in the identification of certain physics processes. This is especially important for challenging analyses like the search for the ttH(->bb) signal, which measures a rare production mode of the Higgs boson in association with two top quarks. This process was first observed in 2018 and allows to measure the Yukawa coupling between the top quark and the Higgs boson. However, this search suffers from a large irreducible tt+bb background which can contain jets that originate from two collimated b-hadrons. A successful identification of such bb-jets could allow for a better rejection of this background, which could lead to cleaner signal regions. But this is not possible with common flavour-tagging algorithms. In order to enable bb-jet identification, an extended flavour-tagging algorithm was developed in this thesis. The design of this algorithm is built on the deep-learning-based flavour-tagging algorithm DL1d, which is used in the ATLAS experiment in Run III of the LHC. Furthermore, optimisation studies regarding the definition of the tagger discriminant were performed. The final bb-DL1d tagger is able to successfully identify bb-jets while still performing well in single-b-tagging, which is promising for future applications within the ATLAS experiment.