Diese Arbeit präsentiert die Messung der Produktion eines einzelnen top quarks
im s-channel. Dazu wird der 13 TeV ATLAS Datensatz, welcher von 2015 bis 2018
aufgenommen wurde und insgesamt 139 fb^−1 integrierte Luminositat hat, analysiert.
Die große Schwierigkeit dieser Analyse ist die überwältigende Menge an Untergrund. Nach einer optimisierten Auswahl von Ereignissen stammen nur 3 % der Ereignisse von dem gesuchten Prozess. Demzufolge muss der Untergrund so gut wie möglich von dem Signal
getrennt werden. In dieser Analyse wird die Matrixelement Methode verwendet.
Diese Methode wendet das Neyman-Pearson Lemma, das die optimale Teststatistik beschreibt, auf dieses Teilchenphysik Experiment an. Die Likelihood Funktionen
werden durch eine Faltung der Matrixelemente, die die harte Streuung beschreiben,
mit den Transferfunktionen, die für die Modelierung der Detektoreffekte zuständig
sind, berechnet. Wegen begrenzter Rechenkapazitäten kann dabei nur die erste
Ordnung der Näherung in die Berechnung einbezogen werden. Diese Arbeit stellt
außerdem Studien vor, die das Ziel haben diese Methode zu verbessern. Dazu wurden die Transferfunktion neu bestimmt. Außerdem wird ein Neuronales Netzwerk zur Identifizierung des Signals angewendet.
Um das Resultat zu extrahieren wurde eine statistisches Modell der diskriminierenden Variable der Matrixelement Methode erstellt und mit Hilfe des profile likelihood Fits wurde der Parameter μ, der als Quotient aus dem gemessenen s-channel
Wirkungsquerschnitt zu dem vom Standard Modell vorhergesagten Wirkungsquerschnitt definiert ist, bestimmt. Das Resultat der Analyse ist μ = 1.28 ^+0.36_− 0.31.
Dies stimmt mit der Standard Modell Vorhersage überein. Die gemessene Signifikanz
beträgt 4.19 σ. Dies ist die höchste jemals gemessene Signifikanz für die s-channel
Produktion eines einzelnen top quarks in Proton-Proton Kollisionen. / This thesis presents the measurement of the single top s-channel production with
the ATLAS detector. The analysis is based on data collected between 2015 and 2018,
at a center-of-mass energy of 13 TeV and with an integrated luminosity of 139 fb^−1.
The main challenge of this analysis is the overwhelming background. After an optimized selection of events the signal amounts to only approximately 3 % of all events
in the signal region. This necessitates the best possible separation of signal and background. In this thesis, the Matrix Element is utilized. The underlying principle for
this method is the Neyman-Pearson lemma which states the optimal test statistic.
The likelihoods are computed by a convolution of the matrix elements describing
the hard scattering process and the transfer functions which model the detector effects. Due to limited computing resources, only the leading order approximation can
be calculated. This thesis further investigates methodologies aimed at enhancing the
effectiveness of the signal separation process. For that reason, the transfer functions are updated and a study in which
a neural network uses the event likelihoods of the Matrix Element Method as in-
put to produce a different discriminating variable is shown. To extract the final result, a statistical analysis of the discriminating variable result-
ing from the Matrix Element Method is preformed. A statistical model is built and
the profile likelihood fit is used to extract the parameter of interest μ which is the
ratio of the observed s-channel single top production cross-section to the Standard
Model expectation. The result of the analysis is μ = 1.28 ^+0.36_− 0.31
which is in agreement with the Standard Model. The observed significance of this
analysis is 4.19 σ. This is the highest measured significance of the s-channel single top production in proton-proton collisions.
| Identifer | oai:union.ndltd.org:HUMBOLT/oai:edoc.hu-berlin.de:18452/29122 |
| Date | 12 April 2024 |
| Creators | Kreul, Ken |
| Contributors | Lohse, Thomas, Lacker, Heiko, Monteil, Stéphane |
| Publisher | Humboldt-Universität zu Berlin |
| Source Sets | Humboldt University of Berlin |
| Language | English |
| Detected Language | German |
| Type | doctoralThesis, doc-type:doctoralThesis |
| Format | application/pdf |
| Rights | (CC BY 4.0) Attribution 4.0 International, https://creativecommons.org/licenses/by/4.0/ |
Page generated in 0.0018 seconds