Speaker
Description
Процесс рождения бозона Хиггса совместно с одиночным топ-кварком ($tH$) представляет значительный интерес для изучения юкавского взаимодействия топ-кварка с полем Хиггса. Данный канал обладает прямой чувствительностью к относительной фазе вкладов в амплитуду от вершин $ttH$ и $WWH$, что открывает возможности для исследования эффектов CP-нарушения в секторе Хиггса. Однако экспериментальное обнаружение этого канала существенно затруднено чрезвычайно малым сечением процесса и наличием ряда преобладающих фоновых процессов со схожей топологией конечных состояний.
В данной работе представлен метод повышения чувствительности к рассматриваемому процессу ($tH$) (далее - сигнальный процесс), основанный на применении методов глубокого обучения. Анализ выполнен с использованием событий протон-протонных столкновений, смоделированных методом Монте-Карло при энергии в системе центра масс $13.6~\text{ТэВ}$. Выборка включает сигнальный процесс ($tH$), смоделированный в приближении следующего за ведущим порядка (NLO) теории возмущений. В этом же порядке смоделированы два основных фоновых процесса: $t\bar{t}$ и $t\bar{t}H$. При этом оставшиеся фоновые вклады - $t\bar{t}b\bar{b}$, $tZbq$, $t\bar{t}Z$ и $t\bar{t}W$ - были получены в ведущем порядке (LO). Итоговая обучающая выборка формировалась с учётом характерной кинематики конечных состояний, содержащих заряженный лептон, три или четыре $b$-струи и переднюю струю.
Путём оптимизации гиперпараметров была определена оптимальная архитектура нейронной сети, которая применялась к набору слабо коррелированных кинематических переменных. При обучении модели учитывались различия в ожидаемой статистике событий сигнальных и фоновых процессов посредством введения весов событий. Дополнительное повышение точности классификации достигается за счёт предварительной обработки переменных, подаваемых в нейронную сеть.
Для выбора архитектуры нейронной сети, обладающей наиболее надёжной обобщающей способностью, была проведена оценка устойчивости обучения для нескольких архитектур с наилучшей точностью. Полученные результаты демонстрируют заметное улучшение разделения сигнала и фона по сравнению с традиционным методом наложения предельных условий и указывают на возможность достижения более высокой ожидаемой статистической значимости сигнального процесса. Текущее значение точности классификации составляет $\mathrm{ROC\text{-}AUC} = 0.87$.
