Choisissez le fuseau horaire
Le fuseau horaire de votre profil:
Soutenances
Probing the Higgs boson pair production through Vector Boson Fusion at the LHC in the ATLAS Experiment
par
→
Europe/Paris
Amphithéâtre (CPPM)
Amphithéâtre
CPPM
Description
Composition du jury :
| Cristinel Diaconu | Président du jury |
| Florian Beaudette | Rapporteur |
| Lidija Zivkovic | Rapporteure |
| Maxime Gouzevitch | Examinateur |
| Arnaud Duperrin | Directeur de thèse |
| Thomas Strebler | Co-directeur de thèse |
Résumé :
Depuis sa découverte en 2012, le boson de Higgs occupe une place centrale dans le programme de physique du LHC. La mesure de ses propriétés et la recherche de processus rares, tels que la production de paires de bosons de Higgs, permettent de tester le Modèle Standard et d’explorer une physique au-delà de celui-ci. Ces études reposent sur des techniques avancées de reconstruction et d’identification. Le flavour tagging est utilisé pour identifier l’origine des jets produits par les quarks et les gluons. Les b-jets sont identifiés grâce aux vertex secondaires créés par les hadrons de beauté, caractérisés par leur longue durée de vie. Les informations issues des traces, des paramètres d’impact et des vertex secondaires permettent de distinguer les b-jets, c-jets, tau-jets et light-jets. Avec le HL-LHC, le nouveau détecteur ITk étendra la couverture du tracker jusqu’à |η| < 4 et améliorera la résolution spatiale, renforçant les performances du flavour tagging. ATLAS a développé pour le Run 3 un nouvel algorithme de deep learning, GN2, basé sur une architecture Transformer. Contrairement aux méthodes reposant sur des variables construites manuellement, GN2 apprend directement à partir des propriétés des jets et des traces reconstruits. Entraîné sur de grands échantillons simulés, il améliore significativement le rejet des jets de bruit de fond dans des conditions de fort pile-up. Dans le cadre des analyses di-Higgs, la production non résonante de paires de bosons de Higgs dans le canal HH→ bbττ avec ATLAS est étudiée selon deux topologies : les canaux τlepτhad et τhadτhad. L’analyse utilise les données du Run 2 et du début de Run 3. Des régions de contrôle dédiées contraignent les principaux processus de bruit de fond, notamment tt et Z+jets. La reconstruction de la masse du système di-tau utilise l’algorithme MMC. Des contributions au développement du framework d’analyse ont permis d’améliorer significativement le temps de traitement des échantillons. La séparation finale entre le signal et le bruit de fond repose sur deux réseaux de neurones profonds de type Transformer utilisant des variables globales et détaillées des objets reconstruits. Les résultats montrent un gain d’environ 51 % sur la sensibilité attendue et de 40 % sur la limite attendue du signal HH par rapport à l’analyse de Run 2. La limite attendue à 95% CL sur µHH est de 1.95, avec une significativité de 1.22σ, contre une limite de 3.3 et une significativité de 0.75σ pour Run 2. L’analyse devrait contraindre le modificateur de l’auto-couplage du Higgs à−1.6 < κλ < 8.4 ainsi que le modificateur du couplage quartique boson vecteur-Higgs à 0.1 < κ2V < 2.1 à 95 % de niveau de confiance. Les résultats finaux observés devraient être publiés par la Collaboration ATLAS peu après la soumission de cette thèse.
Abstract :
Since its discovery in 2012, the Higgs boson has become a central focus of the LHC physics program. Precision measurements of its properties, as well as the search for rare processes such as Higgs boson pair production, provide direct tests of the Standard Model and offer sensitivity to physics beyond it. These studies rely on advanced reconstruction and identification techniques to efficiently separate signal from the overwhelming background. Flavour tagging is used to identify the origin of jets produced by quarks and gluons. b-jets are recognized through the secondary vertices created by beauty hadrons, which have a long lifetime. Information from tracks, impact parameters, and secondary vertices makes it possible to distinguish b-jets, c-jets, tau-jets, and light-jets. With the HL-LHC, the new ITk detector will extend the tracker coverage up to |η| < 4 and improve spatial resolution, enhancing flavour-tagging performance. ATLAS has developed for Run 3 analyses a new deep-learning algorithm, GN2, based on a Transformer architecture. Unlike older methods that relied on manually engineered variables, GN2 learns directly from the properties of jets and reconstructed tracks. Trained on large simulated datasets, it significantly improves background-jet rejection compared with Run 3 while remaining robust under high pile-up conditions. In the context of di-Higgs analyses, the non-resonant production of Higgs boson pairs in the HH→ bbττ channel with ATLAS is also studied in two topologies: the τlepτhad and τhadτhad channels. The analysis uses data from Run 2 and the beginning of Run 3. Dedicated control regions are used to constrain the main background processes, notably tt and Z+jets. The reconstruction of the di-tau system mass uses the MMC algorithm. Dedicated contributions to the analysis framework developments brought critical improvements to the processing time of the analysis samples. The final separation between signal and background relies on two deep neural networks of the Transformer type, using both global and detailed variables of the reconstructed objects. The results show a significant improvement in performance compared with the previous Run 2 analysis, with a gain of about 51% in expected sensitivity and 40% in the expected limit on the HH signal. The expected 95 % CL on µHH is found to be 1.95, with a significance of 1.22σ, improving upon the 3.3 limit on µH H with 0.75 σ significance found by the Run 2 analysis. The analysis is expected to constrain the Higgs self-coupling modifier to−1.6 < κλ < 8.4 and the quartic vector-boson-Higgs coupling modifier to 0.1 < κ2V < 2.1 at 95% confidence level. The final observed results for this analysis are expected to be released by the ATLAS Collaboration shortly after the submission of this thesis.
Lien Zoom :
https://univ-amu-fr.zoom.us/j/93824507335?pwd=ZiNJQDwQ2GmLFviwWUl1laKOGZ3dXC.1
ID de réunion: 938 2450 7335
Code secret: 876284