Machine Learning-Based Tagging of Vector Boson Polarization in the Leptonic Channel
Description
The polarization of massive vector bosons is highly sensitive to the electroweak symmetry breaking and the Standard Model gauge symmetry structure. The comparison of polarization measurements with theoretical predictions provides a valuable insight into the Standard Model as well as Beyond the Standard Model physics.
Due to their short lifetimes, massive vector bosons cannot be observed directly but appear as intermediate particles. Their polarization is obtained indirectly from measurable, unpolarized observables using theoretically constructed polarization templates.
In this thesis, a machine learning-based approach for event-by-event vector boson polarization tagging is studied. Polarized samples of vector boson production processes are generated using the Monte Carlo event generator Sherpa where polarization fractions, defined as the ratio of polarized to unpolarized cross sections, are determined for each event. Neural networks are trained on the simulated samples to predict the event-wise polarization fractions of intermediate massive vector bosons based on experimentally accessible final-state kinematics. With this approach, the NN output can be directly compared to the true polarization distribution and the NN performance can be evaluated quantitively.
The performance of two neural network architectures, a multilayer perceptron and a more advanced transformer model, is systematically compared. The study is conducted for Z+jets and W+jet production processes, as well as for the electroweak production of a 𝑊 + 𝑍 boson pair in association with two jets at fixed leading order and matched to the parton shower. Additionally, the effect of higher-order corrections in the strong coupling constant and the influence of different phase spaces are examined, with Z+jets serving as the test bed.
Abstract (German)
Die Polarisation massiver Vektorbosonen ist hoch sensitiv gegenüber der elektroschwachen Symmetriebrechung und der Struktur der Eichsymmetrie des Standardmodells. Der Vergleich von Polarisationsmessungen mit theoretischen Vorhersagen liefert wertvolle Einblicke sowohl in das Standardmodell als auch in die Physik jenseits des Standardmodells.
Aufgrund ihrer kurzen Lebensdauer können massive Vektorbosonen nicht direkt beobachtet werden, sondern treten als intermediäre Teilchen auf. Folglich wird ihre Polarisation indirekt aus messbaren, unpolarisierten Observablen unter Verwendung theoretisch konstruierter Polarisationsvorlagen ermittelt.
In dieser Arbeit wird ein auf maschinellem Lernen basierender Ansatz zur Polarisationsbestimmung von massiven Vektorbosonen untersucht. Mit dem Monte-Carlo-Ereignisgenerator Sherpa werden polarisierte Stichproben von Vektorbosonen-Produktionsprozessen erzeugt, wo- bei für jedes Ereignis die Polarisationsanteile, definiert als das Verhältnis von polarisierten zu unpolarisierten Wirkungsquerschnitten, bestimmt werden. Die neuronalen Netze werden anhand der simulierten Datensätzen trainiert, um die Polarisationsanteile massiver Vektorbosonen im Zwischenzustand auf der Grundlage experimentell zugänglicher Endzustands- Kinematik vorherzusagen. Mit diesem Ansatz ermöglicht einen direkten Vergleich der Vorhersage des neuronalen Netzes mit der tatsächlichen Polarisationsverteilung und eine quantitative Bewertung des neuronalen Netzes.
Die Leistungsfähigkeit zweier neuronaler Netzwerkarchitekturen, eines Multi-Layer-Perzeptrons und eines komplexeren Transformer-Modells, wird systematisch verglichen. Die Studie wird für Z+jets- und W+jet-Produktionsprozesse sowie für die elektroschwache Produktion eines 𝑊 +𝑍 Bosonpaares in Verbindung mit zwei Jets in führender Ordnung durchgeführt und mit der Parton Shower gematcht. Zusätzlich werden der Effekt von Korrekturen höherer Ordnung in der starken Kopplungskonstante und der Einfluss verschiedener Phasenräume untersucht, wobei Z+jets als Testfall dient.
Files
Masterthesis_Alshut_Lena.pdf
Files
(6.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:7ea95e1cb0577cfab78675aadb546ffb
|
6.5 MB | Preview Download |