Bereiche | Tage | Auswahl | Suche | Aktualisierungen | Downloads | Hilfe

T: Fachverband Teilchenphysik

T 4: Deep Learning I

T 4.7: Vortrag

Montag, 25. März 2019, 17:30–17:45, H06

Adversarial Neural Networks zur Reduzierung des Einflusses von systematischen Unsicherheiten am Beispiel einer ttH -Analyse — •Jörg Schindler, Karim El Morabit, Ulrich Husemann, Philip Keicher, Matthias Schröder, Jan van der Linden und Michael Wassmer — Institut für Experimentelle Teilchenphysik (ETP), Karlsruher Institut für Technologie (KIT)

Die Messung des Wirkungsquerschnitts für Higgs-Boson-Produktion in Assoziation mit einem Top-Quark-Antiquark-Paar (ttH) ermöglicht eine direkte Messung der Top-Higgs-Yukawa-Kopplung. Aufgrund des kleinen Wirkungsquerschnitts wird der Zerfall mit dem größten Verzweigungsverhältnis untersucht, der Zerfall in ein Bottom-Quark-Antiquark-Paar (bb). Dabei werden multivariate Analysemethoden verwendet, um Signal von Untergrund zu trennen.

Ein entscheidender Untergrund hierbei ist die tt-Produktion mit einem assozierten bb-Paar. Die verfügbaren Vorhersagen für diesen Prozess sind mit großen Unsicherheiten behaftet und weisen Unterschiede auf. Durch die Verwendung von Adversarial Neural Networks können die neuronalen Netze robust gegenüber diesen Unterschieden konstruiert werden.

In diesem Vortrag wird die Anwendung von Adversarial Neural Networks am Beispiel einer ttH -Analyse im semileptonischen Kanal untersucht.