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

T: Fachverband Teilchenphysik

T 77: Deep Learning III

T 77.7: Vortrag

Donnerstag, 28. März 2019, 17:30–17:45, H06

Trennung von Signal und Untergrund in ttγ-Prozessen durch Nutzung eines neuronalen Netzes in leptonischen Endzuständen bei √s = 13 TeV in ATLAS — •Steffen Korn, Thomas Peiffer, Arnulf Quadt, Elizaveta Shabalina, Royer Edson Ticse Torres und Knut Zoch — II Physikalisches Institut, Georg-August-Universität Göttingen

Durch die assoziierte Produktion von Top-Quark-Paaren und Photonen (ttγ) kann die Stärke der elektromagnetischen Kopplung des Top-Quarks an das Photon gemessen werden. Die Messung dieses fundamentalen Parameters des Standard Modells (SM) ermöglicht des Weiteren Einsicht auf Physik jenseits des SM. Evidenz dieses Prozesses wurde zuerst bei CDF am Tevatron mit √s=1,96 TeV erbracht. Die Beobachtung des Prozesses erfolgte am LHC mit √s=7 und √s=8 TeV mit erhöhter Präzision. Aufgrund der ähnlichen Topologie von Untergrund und Signal sowie einem Verhältnis zwischen Untergrund und Signal von ungefähr 1:1 im leptonischen Kanal bieten sich neuronale Netze (NN) zur Separation von Signal und Untergrund an. Die Trennung von Signal und Untergrund im ttγ-Endzustand aus Proton-Proton-Kollisionen aus den Jahren 2015 bis 2018, die mit dem ATLAS-Detektor bei einer Schwerpunktsenergie von 13 TeV gemessen wurden, werden präsentiert. Neuronale Netze werden genutzt, um Signal und Untergrund in unterschiedliche Klassen zu gruppieren. Die Leistungsfähigkeit verschiedener NN-Architekturen und ihr Effekt auf die Ereignisselektion werden vorgestellt.