Depuis la découverte du boson de Higgs en 2012, les physiciens et physiciennes des particules
tentent de trouver des signes de nouvelle physique. Bien que le modèle standard décrivant
les forces et particules aient été confirmé par les expériences telles que ATLAS au Grand
collisionneur de hadrons (LHC), ce modèle décrit seulement 5% de la matière de notre
Univers. Face à l’absence d’excès dans les recherches concentrées sur des modèles de nouvelle
physique, l’intelligence artificielle pourrait être la solution.
Ce mémoire s’inscrit dans une perspective novatrice de recherche générale de nouvelle
physique indépendante des modèles théoriques dans les données du détecteur ATLAS, par
l’utilisation de l’apprentissage machine. Ici, nous nous intéressons à l’application de réseaux
de neurones dans les données de simulation de collision proton-proton à \sqrt{s} = 13 TeV du
détecteur ATLAS. Nous étudierons la performance d’auto-encodeurs variationnels dans les
jets boostés, ces jets qui pourraient cacher des signes de nouvelle physique. Pour analyser
la performance de notre réseau, nous entraînons celui-ci sur les quadri-vecteurs de jets issus
de gluons et de quarks légers. Nous tentons de retrouver un signal test, les jets issus de
quarks top boostés, dans les données de simulation en effectuant des sélections sur les scores
d’anomalie retournés par le réseau.
Nos modèles d’auto-encodeurs variationnels atteignent une bonne discrimination entre
le bruit de fond et le signal du quark top. Nous devrons toutefois améliorer le rejet du bruit
de fond pour purifier notre signal en fonction de nos sélections. / Since the discovery of the Higgs boson in 2012, particle physicists are searching for signs of new physics. Although the standard model describing forces and particles has been confirmed by experiments like ATLAS at the Large Hadron Collider (LHC), it only describes 5% of the matter of the universe. Facing the absence of excess in searches for new physics
model, artificial intelligence could be the solution. This master thesis is part of a novel general model-independent search for new physics in the ATLAS detector data using machine learning. Here, we are interested in the application of neural networks in \sqrt{s} = 13 TeV proton-proton collision ATLAS simulation data. We study the performance of variational auto-encoders in boosted jets, who might be hiding signs of new physics. To analyze our network performance, we train the network on jets four-vectors coming from gluons and light quarks. We try to find a test signal, boosted top quark jets, in our simulation data by applying selections on the anomaly scores returned by our network. Our variational auto-encoder reach a good discrimination between the background and the top quark signal. However, we need to improve background rejection to purify our signal as a function of our selections.
Identifer | oai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/25959 |
Date | 04 1900 |
Creators | Pilette, Jacinthe |
Contributors | Arguin, Jean-François |
Source Sets | Université de Montréal |
Language | fra |
Detected Language | French |
Type | thesis, thèse |
Format | application/pdf |
Page generated in 0.0013 seconds