Employing the Matrix Element Method with neural networks to search for Higgs pair-production

Ames, Christoph (2024): Employing the Matrix Element Method with neural networks to search for Higgs pair-production. Dissertation, LMU München: Fakultät für Physik

Abstract

Neural networks (NN) are trained to calculate matrix element weights, with which infor- mation of a measured final-state can be gained via the Matrix Element Method (MEM) theoretical framework. At the same time, the use of NN accelerates the CPU-intensive computations of the matrix element weights, which are used to classify final-states. The predictions of the NN are used as a proof-of-principle to separate Higgs-Higgs (HH) and Higgs-Z (HZ) events. The H H events include final-states coming from super-positions of Higgs self-coupling (tri-H). The matrix element weights are calculated for two different matrix elements, one for HH and one for HZ final states, using simulated data. The separation between these weights is worse for the HZ data than the HH data. Two types of neural networks, feed-forward and convolutional, are examined and trained to predict the HH and HZ matrix elements weights. The computation times are successfully heavily reduced com- pared to the standard calculations of the MEM. Both network types are successful in regards to predicting the HH matrix weights, but they struggle with the weights using the HZ matrix element. To fully understand why the weight separation is worse for HZ data and why the networks have more difficulties with the HZ matrix element would require a deeper investigation into the theoretical framework of the matrix elements, which lies beyond the scope of this research.

Abstract

Neuronale Netze (NN) werden zur Berechnung von Matrixelementgewichten trainiert, um die verfügbare Information eines gemessenen Endzustands im Rahmen der theoretischen Erwartung der Matrix-Element-Methode (MEM) möglichst vollständig zu erfassen und für die Auswertung der Messdaten zu verwenden. Zugleich wird durch den Einsatz von NN die CPU-aufwändige Berechnung der Matrixelementgewichte zur Klassifizierung einzelner Endzustände stark beschleunigt. Dabei werden die Matrixelementvorhersagen des NN als proof-of-principle zunächst zur Klassifizierung und Separierung von HH- und HZ-Ereignissen benutzt. Die HH-Endzusta ̈nden beinhalten, unter anderem, Beiträge von Higgs-Selbstwechselwirkungsdiagrammen (tri-H). Die Matrixelementgewichte werden anhand von simulierten Daten mit zwei verschiedene Matrixelementen berechnet, jeweils für die HH- und die HZ-Endzustände. Die Trennung zwischen den Gewichten ist schlechter für die HZ- als die HH-Ereignisse. Zwei NN-Arten werden untersucht: Feed-forward und Convolutional; diese lernen die HH- und HZ-Matrixelementgewichte vorherzusagen. Eine sehr starke Reduzierung der Rechenzeit im Vergleich zur MEM wird erreicht. Beide Netzarten sind erfolgreich bzgl. der Genauigkeit der HH-Matrixelementgewichten, weisen aber Schwierigkeiten bei den HZ-Matrixelementgewichte auf. Um völlig verstehen zu können, warum die Trennung der Gewichte bei HZ-Ereignissen schlechter ist, und warum die NN bei den HZ-Matrixelementgewichten auf Probleme stoßen, wäre eine tiefere Untersuchung der theoretischen Berechnungen der Matrixelemente notwendig, welches nicht im Rahmen dieser Forschung liegt.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Keywords: matrix element method, Higgs pair-production, neural network
• Themengebiete: 500 Naturwissenschaften und Mathematik ; 500 Naturwissenschaften und Mathematik > 530 Physik
• Fakultäten: Fakultät für Physik
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 24. September 2024
• 1. Bericht­erstatter:in: Biebel, Otmar