Recherche du boson de Higgs dans le canal ttH (H->bb) avec l'experience ATLAS auprès du LHC avec des méthodes d'apprentissage automatique et synchonisation de la description de la géométrie de l'ITk pour la simulation et les études de radiation de la jouvence d'ATLAS pour le HL-LHC
Auteur / Autrice : | Ziyu Guo |
Direction : | Cristinel Diaconu, Thierry Artières |
Type : | Thèse de doctorat |
Discipline(s) : | Physique des Particules et Astroparticules |
Date : | Soutenance le 05/11/2019 |
Etablissement(s) : | Aix-Marseille |
Ecole(s) doctorale(s) : | École Doctorale Physique et Sciences de la Matière (Marseille) |
Partenaire(s) de recherche : | Laboratoire : Centre de physique des particules de Marseille (CPPM) - Laboratoire d’Informatique et Systèmes (Marseille ; La Garde, Var ; 2018-….) |
Jury : | Président / Présidente : Mossadek Talby |
Examinateurs / Examinatrices : Élisa Fromont, Yann Coadou | |
Rapporteur / Rapporteuse : David Rousseau, Anne-Catherine Le Bihan |
Mots clés
Résumé
La mesure du couplage de Yukawa entre le boson de Higgs et le quark top, beaucoup plus fort que celui des autres quarks, permet de tester le Modèle Standard. La production associée d’un boson de Higgs et d’une paire de quarks top (ttH) en permet une mesure directe. Cette thèse documente une recherche d’événements ttH dans le canal H->bb dans les données collectées avec le détecteur ATLAS auprès du LHC durant le Run 2. Les nombreux jets et b-jets dans l’état final nécessitent l’utilisation de techniques avancées. Les grandes incertitudes théoriques sur les bruits de fond tt ont un impact majeur sur la sensibilité.Cette thèse étudie des méthodes d'apprentissage automatique pour améliorer l'analyse ttH(Hbb). Des arbres de décision boostés sont utilisés pour résoudre l’association entre les jets et les partons du signal ttH, puis pour distinguer ttH de tt. La significance observée de la présence de ttH en plus du bruit de fond est 1,4 déviations standard. Différentes techniques d’apprentissage profond ont depuis été explorées pour analyser l’ensemble des données du Run 2 : réseau de neurones récurrent (RNN) pour résoudre simultanément la reconstruction et la classification; réseau profond intégrant des connaissances de physique en plus d'informations de base; RNN multi-catégories pour classer les événements; réseaux antagonistes pour réduire les incertitudes de modélisation de tt.Pour le High-Luminosity LHC; au milieu des années 2020, ATLAS aura un nouveau trajectographe. L’auteure a contribué à la synchronisation des géométries utilisées dans la simulation du détecteur et les études de radiation, étape importante pour valider les estimations de radiation.