Identification of heavy, energetic, hadronically decaying particles using machine-learning techniques
Albert M. SirunyanYerevan Physics Institute, Yerevan, ArmeniaA. TumasyanYerevan Physics Institute, Yerevan, ArmeniaW. AdamInstitut für Hochenergiephysik, Wien, AustriaF. AmbrogiInstitut für Hochenergiephysik, Wien, AustriaT. BergauerInstitut für Hochenergiephysik, Wien, AustriaM. DragicevicInstitut für Hochenergiephysik, Wien, AustriaJ. EröInstitut für Hochenergiephysik, Wien, AustriaA. Escalante Del ValleInstitut für Hochenergiephysik, Wien, AustriaM. FlechlInstitut für Hochenergiephysik, Wien, AustriaR. FrühwirthInstitut für Hochenergiephysik, Wien, AustriaM. JeitlerInstitut für Hochenergiephysik, Wien, AustriaN. KrammerInstitut für Hochenergiephysik, Wien, AustriaI. KrätschmerInstitut für Hochenergiephysik, Wien, AustriaD. LikoInstitut für Hochenergiephysik, Wien, AustriaT. MadlenerInstitut für Hochenergiephysik, Wien, AustriaI. MikulecInstitut für Hochenergiephysik, Wien, AustriaN. RadInstitut für Hochenergiephysik, Wien, AustriaJ. SchieckInstitut für Hochenergiephysik, Wien, AustriaR. SchöfbeckInstitut für Hochenergiephysik, Wien, AustriaM. SpanringInstitut für Hochenergiephysik, Wien, AustriaW. WaltenbergerInstitut für Hochenergiephysik, Wien, AustriaC.-E. WulzInstitut für Hochenergiephysik, Wien, AustriaM. ZaruckiInstitut für Hochenergiephysik, Wien, AustriaV. DrugakovV. MossolovJ. Suarez GonzalezM. R. DarwishUniversiteit Antwerpen, Antwerpen, BelgiumE.A. De WolfUniversiteit Antwerpen, Antwerpen, BelgiumD. Di CroceUniversiteit Antwerpen, Antwerpen, BelgiumX. JanssenUniversiteit Antwerpen, Antwerpen, BelgiumA. LelekUniversiteit Antwerpen, Antwerpen, BelgiumM. PietersUniversiteit Antwerpen, Antwerpen, BelgiumH. Rejeb SfarUniversiteit Antwerpen, Antwerpen, BelgiumH. Van HaevermaetUniversiteit Antwerpen, Antwerpen, BelgiumP. Van MechelenUniversiteit Antwerpen, Antwerpen, BelgiumS. Van PutteUniversiteit Antwerpen, Antwerpen, BelgiumN. Van RemortelUniversiteit Antwerpen, Antwerpen, BelgiumF. BlekmanVrije Universiteit Brussel, Brussel, BelgiumE. S. BolsVrije Universiteit Brussel, Brussel, BelgiumS. S. ChhibraVrije Universiteit Brussel, Brussel, BelgiumJ. D’HondtVrije Universiteit Brussel, Brussel, BelgiumJ. De ClercqVrije Universiteit Brussel, Brussel, BelgiumD. LontkovskyiVrije Universiteit Brussel, Brussel, BelgiumS. LowetteVrije Universiteit Brussel, Brussel, BelgiumI. MarchesiniVrije Universiteit Brussel, Brussel, BelgiumS. MoortgatVrije Universiteit Brussel, Brussel, BelgiumQ. PythonVrije Universiteit Brussel, Brussel, BelgiumK. SkovpenVrije Universiteit Brussel, Brussel, BelgiumS. TavernierVrije Universiteit Brussel, Brussel, BelgiumW. Van DoninckVrije Universiteit Brussel, Brussel, BelgiumP. Van MuldersVrije Universiteit Brussel, Brussel, BelgiumD. BeghinUniversité Libre de Bruxelles, Bruxelles, BelgiumB. BilinUniversité Libre de Bruxelles, Bruxelles, BelgiumB. ClerbauxUniversité Libre de Bruxelles, Bruxelles, BelgiumG. De LentdeckerUniversité Libre de Bruxelles, Bruxelles, BelgiumH. DelannoyUniversité Libre de Bruxelles, Bruxelles, BelgiumB. DorneyUniversité Libre de Bruxelles, Bruxelles, BelgiumL. FavartUniversité Libre de Bruxelles, Bruxelles, BelgiumA. GrebenyukUniversité Libre de Bruxelles, Bruxelles, BelgiumA. K. KalsiUniversité Libre de Bruxelles, Bruxelles, BelgiumL. MoureauxUniversité Libre de Bruxelles, Bruxelles, BelgiumA. PopovUniversité Libre de Bruxelles, Bruxelles, BelgiumNicolas PostiauUniversité Libre de Bruxelles, Bruxelles, BelgiumE. StarlingUniversité Libre de Bruxelles, Bruxelles, BelgiumL. ThomasUniversité Libre de Bruxelles, Bruxelles, BelgiumC. Vander VeldeUniversité Libre de Bruxelles, Bruxelles, BelgiumP. VanlaerUniversité Libre de Bruxelles, Bruxelles, BelgiumD. VanneromUniversité Libre de Bruxelles, Bruxelles, BelgiumT. CornelisGhent University, Ghent, BelgiumD. DoburGhent University, Ghent, BelgiumI. KhvastunovGhent University, Ghent, BelgiumM. NiedzielaGhent University, Ghent, BelgiumC. RoskasGhent University, Ghent, BelgiumM. TytgatGhent University, Ghent, BelgiumW. VerbekeGhent University, Ghent, BelgiumB. VermassenGhent University, Ghent, BelgiumM. VitGhent University, Ghent, BelgiumO. BonduUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumG. BrunoUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumC. CaputoUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumP. DavidUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumC. DelaereUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumM. DelcourtUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumA. GiammancoUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumV. LemaitreUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumJ. PrisciandaroUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumA. SaggioUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumM. Vidal MaronoUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumP. VischiaUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumJ. ZobecUniversité Catholique de Louvain, Louvain-la-Neuve, BelgiumF.L. AlvesCentro Brasileiro de Pesquisas Fisicas, Rio de Janeiro, BrazilG. A. AlvesCentro Brasileiro de Pesquisas Fisicas, Rio de Janeiro, BrazilG. Correia SilvaCentro Brasileiro de Pesquisas Fisicas, Rio de Janeiro, BrazilC. HenselCentro Brasileiro de Pesquisas Fisicas, Rio de Janeiro, BrazilA. MoraesCentro Brasileiro de Pesquisas Fisicas, Rio de Janeiro, BrazilP. Rebello TelesCentro Brasileiro de Pesquisas Fisicas, Rio de Janeiro, BrazilE. Belchior Batista Das ChagasUniversidade do Estado do Rio de Janeiro, Rio de Janeiro, BrazilW. CarvalhoUniversidade do Estado do Rio de Janeiro, Rio de Janeiro, BrazilJ. ChinellatoUniversidade do Estado do Rio de Janeiro, Rio de Janeiro, BrazilE. CoelhoUniversidade do Estado do Rio de Janeiro, Rio de Janeiro, Brazil
2020en
ABI
Annotatsiya
: Machine-learning (ML) techniques are explored to identify and classify hadronic decays of highly Lorentz-boosted W/Z/Higgs bosons and top quarks. Techniques without ML have also been evaluated and are included for comparison. The identification performances of a variety of algorithms are characterized in simulated events and directly compared with data. The algorithms are validated using proton-proton collision data at s = 13 TeV, corresponding to an integrated luminosity of 35.9 fb -1 . Systematic uncertainties are assessed by comparing the results obtained using simulation and collision data. The new techniques studied in this paper provide significant performance improvements over non-ML techniques, reducing the background rate by up to an order of magnitude at the same signal efficiency.
Hali tarjima qilinmagan
Identifikatorlar
Iqtiboslar va manbalar
4 ta iqtibos0 ta foydalanilgan manba