sans

Cette thèse a pour sujet la recherche de particules supersymétriques se désintégrant en leptons tau dans l'expérience CMS auprès du collisionneur LHC. L'analyse porte sur des données simulées de collisions proton-proton à une énergie √s = 14 TeV dans le centre de masse. Le modèle supersymétrique retenu est celui mSUGRA. Les événements d'intérêt contiennent au moins deux leptons tau, une grande énergie transverse manquante et au moins deux jets hadroniques de grandes impulsions issus de la fragmentation d'un quark. Dans un échantillon test de données, des processus autres que ceux du Modèle Standard sont mis en évidence. Préalablement, est effectué un travail d'identification des leptons tau dans leurs modes de désintégration hadroniques : une méthode de discrimination entre les jets hadroniques de tau et ceux issus d'un quark ou d'un gluon est introduite, utilisant des candidats photons ou pions neutres reconstruits et un test sur un rapport de pseudo-vraisemblances

sans

sans

sans

sans

sans

-

L'entraînement est arrêté lorsque la valeur de $E_c$ converge. En général, cette valeur se stabilise très rapidement au bout de 100 cycles environ. En revanche, la valeur des liens $\omega_{jk}$ ne semble pas converger même si parfois leur vitesse d'évolution diminue. Comme le minimum de $E_c$ est atteint très rapidement mais que les poids évoluent également très rapidement, nous avons préféré poursuivre l'entraînement au-delà de 100 cycles. Tous les 50 cycles, jusqu'à 800 cycles en moyenne, soit l'efficacité et la pureté, soit la résolution sur masse du W sont calculées selon qu'on cherche à sélectionner les W ou à attribuer les jets. On constate que ces valeurs convergent également très vite mais que seule la forme des distributions évolue. Par exemple, pour la sélection des événements, les valeurs de sortie du réseau de neutrons représentées dans les figures 3.12 et 3.13 du chapitre 3 sont repoussées vers les extrêmes : les événements de bruit de fond vers 0 et les événements WW $\to q\bar{q}q\bar{q}$ vers 1. L'efficacité et la pureté, en revanche, n'évoluent pratiquement plus. Si on entraîne le réseau de neurones très longtemps (2000 cycles par exemple !) on observe alors que les données sont en moins bon accord avec la simulation car, dans ce cas, le réseau de neutrones apprend les fluctuations statistiques de l'échantillon Monte-Carlo d'entraînement. On le constate aussi en comparant $E_c^e$ calculé - par l'équation (8.1) - avec les fichiers d'exemples et $E_c^t$ calculé avec les fichiers constitués d'événéments n'ayant pas servi à l'entraînement. Dans ce dernier cas, $E_c^t$ s'éloigne de $S_c^e$ (il faut toutefois attendre un très grand nombre de cycles). Aucun critère claire pour arrêter l'entra$inement n'a été mise en évidence. La règle qui consiste à continuer "quelque temps" après que $E_c$ ait atteint son minimum semble donner de bons résultats. Ces arguments sont qualitatifs et peuvent fortement dépendre du type de problème abordé.

sans