Würzburg 2018 – scientific programme

Parts | Days | Selection | Search | Updates | Downloads | Help

T: Fachverband Teilchenphysik

T 58: Top-Quarks: Eigenschaften II

T 58.6: Talk

Wednesday, March 21, 2018, 17:50–18:05, Z6 - SR 1.002

Studien zur Ereignisselektion mit maschinellem Lernen zur Verbesserung der tt-Rekonstruktion mit dem KLFitter-Algorithmus — •Stella Oppermann, Johannes Erdmann, Olaf Nackenhorst und Kevin Kröninger — TU Dortmund, Experimentelle Physik IV

Am Large Hadron Collider (LHC) werden Protonen mit einer Schwerpunktsenergie von √s = 13 TeV zur Kollision gebracht und produzierte Teilchen mit dem ATLAS-Experiment detektiert, wobei Top-Quarks im Wesentlichen in Paaren erzeugt werden. Das KLFitter-Framework verwendet einen auf der Maximum-Likelihood-Methode basierenden Algorithmus für die Rekonstruktion solcher tt-Ereignisse. Es gibt verschiedene mögliche Zuordnungen von gemessenen Jets zu den Endzustandsteilchen aus dem tt-Zerfall, wobei bei der Rekonstruktion mit KLFitter die Zuordnung mit dem maximalen Likelihoodwert gewählt wird. KLFitter hat für Ereignisse, bei denen jedem Teilchen auf Generator-Level ein Jet zugeordnet werden kann, eine hohe Rekonstruktionseffizienz. Vorgestellt werden Studien mit dem Ziel, den Anteil solcher Ereignisse durch maschinelles Lernen zu erhöhen, um die Rekonstruktion auf diese Ereignisse zu beschränken und somit die Rekonstruktionseffizienz insgesamt zu verbessern.