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

Search for the Higgs boson in the tt̄H (H → bb̄) channel in the ATLAS experiment at the LHC using machine learning methods and synchronization of the ITk geometry description for simulation and radiation studies for the HL-LHC ATLAS upgrade

• 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) : Ecole 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
• Jury : Examinateurs / Examinatrices : Élisa Fromont, Yann Coadou
• Jury : Rapporteurs / Rapporteuses : David Rousseau, Anne-Catherine Le Bihan

Mots clés

Mots clés contrôlés

Arbres de décision

Bosons de Higgs

Grand collisionneur de hadrons

Mots clés libres

Lhc

Atlas

Boson de Higgs

TtH

H->bb

Apprentissage automatique

Arbres de décision boostés

Apprentissage profond

Trajectographe interne

Lhc

Atlas

Higgs boson

TtH

H->bb

Machine learning

Boosted decision trees

Deep learning

Inner tracker

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.

The Higgs-top coupling (top Yukawa coupling) measurement can further test the standardmodel, being much stronger than the ones for the other quarks. The associated production of aHiggs boson with a top quark pair (ttH) allows to do a direct measurement. With the ATLASdetector at the LHC, this thesis presents a search for ttH in the H->bb decay mode, rarelyproduced compared with the tt backgrounds. Both processes have final states with multiple jetsand b-jets making the analysis heavily relying on advanced techniques. The large tt modelinguncertainties are a driving factor of the sensitivity.This thesis searches to increase the ttH (H->bb) sensitivity by exploring machine learningmethods. Using early Run 2 data, boosted decision trees are exploited to firstly solve the jet-parton assignment in the reconstruction of the ttH signal, and in a second step classify ttH andtt. The observed significance under the background only hypothesis is 1.4 standard deviations.Targeting a contribution to the analysis round using full Run 2 data, deep learningtechniques are explored: recurrent neural networks as binary classifier solving reconstructionand classification in one step, physics-expertise-aware deep neural networks exploiting rawfeatures, RNN-based multi-classifier for event categorization, and adversarial neural networkaimed to decrease the tt modeling uncertainty.Coping with the new LHC phase starting in mid-2020’s, ATLAS will be upgradedto have a new inner tracker. The author contributes to synchronize its geometry descriptionsindependently implemented and used by simulation and radiation studies, which is importantto validate a radiation estimation.