Obwohl das Standardmodell der Teilchenphysik eines der erfolgreichsten physikalischen Theorien der modernen Geschichte ist, wurden schon früh viele theoretische Erweiterung entwickelt, welche versuchen, die offenen Fragen des Standardmodells zu lösen. So bietet das Standardmodell keine Erklärung für die Existenz der dunklen Materie oder eine vereinheitlichte Theorie der fundamentalen Wechselwirkungen an. Viele der Modelle erweitern das Standardmodell mit zusätzlichen Symmetrien wie zum Beispiel der Supersymmetrie. Die einfachste supersymmetrische Erweiterung des Standardmodells ist das Minimal Supersymmetrische Standardmodell (MSSM). Diese Modelle sagen die Existenz eines zweiten Higgs-Dublette Feldes voraus, welches die Präsenz zusätzliche Higgs-Bosonen zur Folge hätte. Daher ist die Suche nach zusätzlichen Higgs-Bosonen ein wichtiges Fenster zur Suche nach Physik jenseits des Standardmodells. In dieser Arbeit wird die Suche nach zusätzlichen, schweren und neutralen A und H Higgs-Bosonen im voll-hadronischen di-Tau Zerfallskanal präsentiert. Die Suche basiert auf dem vollständigen LHC Run-2 Datensatz, aufgezeichnet vom ATLAS Detektor in der Zeit von 2015 bis 2018. Die aufgezeichneten Daten entsprechen einer intrigierten Luminosität von 139 fb^−1 . Da kein signifikanter Überschuss an Daten im Verhältnis zur Untergrundabschätzung beobachtet wurde, werden die Resultate der Suche in Form von Ausschlussgrenzen auf den Wirkungsquerschnitt mal dem Verzweigungsverhältnis für Higgs-Bosonen mit Massen zwischen 200 GeV und 2500 GeV, welche via Gluon-Gluon-Fusion oder b-assoziierter Produktion generiert wurden, angegeben. Die Ausschlussgrenzen werden berechnet mit einem Vertrauensniveau von 95 %. Die Resultate des voll-hadronischen Zerfallskanals werden kombiniert mit denen des semi-leptonischen Zerfallskanals und anschließend in den m_A-tanβ Parameterraum des hMSSM Modells als auch weiterer mh125 Modellvarianten transformiert. Die kombinierten Ausschlussgrenzen im Parameterraum des hMSSM Modells werden mit jener vorherigen Analysen publiziert durch die ATLAS und CMS Kollaboration verglichen, welche auf einem vorläufigen Run-2 Datensatz basieren. Im Verhältnis zu den vorherigen Resultaten von ATLAS (CMS) wurde eine signifikante Verbesserung von 10 % (11 %) für m A = 500 GeV bis hin zu 63 % (67 %) für m_A = 1200 GeV beobachtet. Des Weiteren wird in dieser Arbeit ein neuartiger Algorithmus, basierend auf moderner rekurrenten neuronalen Netzen vorgestellt, welcher Spuren im inneren Detektor des ATLAS Experiments hadronisch zerfallenden Tauonen zuordnen kann. Die Zuordnung der Spuren zu Tauonenzerfällen ist ein integraler Bestandteil der Rekonstruktion hadronisch zerfallender Tau-Leptonen bei ATLAS und liefert wichtige Informationen über dessen Ladung und Zerfallsmultiplizität. Durch Verwendung neuronaler Netze kann ein erheblicher Zuwachs in der Rekonstruktionseffizienz von 10 % und 20 % für hadronische Tauonzerfälle mit einer Zerfallsmultiplizität von 1 und 3 erreicht werden. Aufgrund dieser Verbesserungen erreicht der neue Algorithmus eine Rekonstruktionseffizienz nahe der maximal möglichen Effizienz. Zusätzlich ist es möglich, durch Ausnutzen der inhärenten Flexibilität neuronaler Netze das Training so zu verändern, dass die Netze unterschiedliches verhalten auf QCD Untergrund aufweisen. Es werden zwei Trainingskonfigurationen beschrieben, welche für die offline Datenanalyse oder die Anwendung in Trigger-Entscheidungen optimiert wurden. / Although the Standard Model of particle physics is one of the most successful and well-tested theories in physics, many extensions to the Standard Model were proposed that aim to resolve its shortcomings. Many of these models extend the Standard Model by adding additional symmetries such as Supersymmetry with one of the simplest being the Minimal Supersymmetric Standard Model (MSSM). Supersymmetric models also require the presence of a second Higgs-doublet field which predicts the existence of additional Higgs bosons. Hence, the search for these additional Higgs bosons provides an important window into investigating physics beyond the Standard Model. In this thesis, the search for additional heavy neutral Higgs bosons A and H decaying into a fully hadronic tau lepton pair is presented based on 139 fb^−1 of data taken by the ATLAS detector during the full LHC Run-2 data taking period from 2015 to 2018. Since no significant excess of data with respect to the background estimation was found, the results are presented in terms of 95 % CL upper exclusion limits on the cross-section times branching ratio for Higgs bosons produced via gluon-gluon fusion and b-associated production. Different Higgs boson mass hypotheses are taken into account ranging from 200 GeV to 2500 GeV. A combination with the semi-leptonic search channel is performed whose exclusion limits are transformed into the m_A-tanβ parameter space of the hMSSM and various mh125 benchmark model scenarios. The combined exclusion limit set in the hMSSM model is compared to the previous publications by the ATLAS and CMS collaboration based on early Run-2 data of 36.1 fb^−1 and 35.9 fb^−1 respectively. Compared to previous exclusion limits set by ATLAS (CMS) for the hMSSM scenario, significant improvements are observed ranging between 11 % (10 %) at m_A = 500 GeV up to 63 % (67 %) at m_A = 1200 GeV. In addition to the Higgs boson search, a novel algorithm is presented to identify and select charged particle tracks reconstructed in the ATLAS inner detector originating from hadronic tau lepton decays. The identification of these tracks is an important part of the tau lepton reconstruction and identification at ATLAS and provides information about the decay multiplicity and charge of the tau lepton. By deploying state-of-the-art recurrent neural networks the reconstruction efficiency for tau leptons with a true decay multiplicity of 1 and 3 charged hadrons improves by about 10 % and 20 % respectively. With this improvement, the neural networks achieve a reconstruction efficiency close to the maximum efficiency possible. By exploiting the flexibility of the neural networks, they can be optimized for both offline data analysis and fast software trigger applications.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:77762 |
| Date | 01 February 2022 |
| Creators | Märker, Max |
| Contributors | Straessner, Arno, Lai, Stan, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0118 seconds