Neelam KUMARI, Unravelling the top-Higgs coupling with the ATLAS experiment at LHC
Amphi
CPPM
Abstract en français :
La découverte du boson de Higgs en 2012 est un succès majeur du Large Hadron Collider (LHC) au CERN. Grâce au jeu de données important collecté au LHC depuis, des mesures de précision des propriétés du boson de Higgs (H) sont possibles. La production du boson H en association avec une paire de quarks top, suivie d’une désintégration du boson H en paires de quarks b, ttH(H→bb), permet une mesure directe du couplage de Yukawa du top. Le processus ttHbb présente un état final complexe avec au moins quatre jets de b et requiert une méthode d’identification des jets de b sophistiquée, appelée b-tagging. Le trajectographe d’ATLAS sera mis à niveau pour maintenir ses performances dans les conditions du LHC à haute luminosité (HL-LHC). Cette thèse présente les performances des algorithmes de b-tagging, en se focalisant sur les algorithmes basés sur les paramètres d’impact ou les vertex secondaires, avec des simulations du Inner Tracker d’ATLAS pour le HL-LHC. L’analyse ttH(H→bb) est effectuée sur la base de 139 fb-1 de données collectées par ATLAS au Run 2 à √s = 13 TeV et tire parti des plus récents algorithmes de reconstruction et d’identification. La grande multiplicité du nombre de jets de b due aux produits de désintégration supplémentaires du quark top rend nécessaires des stratégies d’analyse dédiées basées sur le machine learning. Des Deep Neural Networks (DNNs) ont été développés pour améliorer la sensibilité de l’analyse en contraignant les sous-composantes du bruit de fond tt+jets dominant. Les performances du DNN et des Boosted Decision Trees (BDTs) utilisés précédemment sont présentées dans cette thèse. L’intensité du signal est mesurée de manière inclusive et différentielle par rapport à l’impulsion transverse du boson de H en utilisant l’approche Simplified Template Cross-Section (STXS). La sensibilité au signal ttH par rapport au bruit de fond attendu en utilisant les algorithmes DNN est de 2.71σ, comparée à 2.54σ.
Abstract en anglais :
The discovery of the Higgs boson in 2012 was a major success of the Large Hadron Collider (LHC) at CERN. With larger data-sets collected at the LHC since then, precise measurements of the Higgs boson properties are possible. The Higgs boson production in association with a pair of top quarks, where Higgs decays into a pair of b-quarks, ttH(H→bb), allows direct measurement of the top-Yukawa coupling. The ttH(H→bb)process has a challenging final state with at least four b-jets, which requires a b-jet identification method known as b-tagging. In view of the operation of the ATLAS detector under High-Luminosity LHC conditions, the central tracking system will be upgraded to maintain high levels of performance. This thesis presents the performance of the b-tagging algorithms focusing on impact parameter-based and secondary vertex-based taggers using the updated ATLAS Inner Tracker (ITk) simulation. Some re-optimization of the b-taggers is performed, and the impact on performance is also presented. The ttH(H→bb) analysis is performed using 139 fb-1 of ATLAS Run 2 data at √s = 13 TeV and takes advantage of the most recent object performance algorithms. The high b-jet multiplicity due to additional top quark decay products requires dedicated analysis strategies based on machine learning. Multivariate analysis approaches using Deep Neural Networks (DNNs) were developed to improve the search sensitivity while constraining large tt + bb background sub-components. This thesis compares DNN performance to that of previously used Boosted Decision Trees (BDTs). The signal strength is measured inclusively and differentially with respect to the Higgs boson transverse momentum using the Simplified Template Cross-Section formalism. The expected significance of the ttH signal over the expected SM background using DNN is 2.71σ, compared to 2.54σ using BDTs.