Die Identifikation von hadronisch zerfallenden W und Z Bosonen basiert auf Algorithmen, die maschinelles Lernen verwenden und die Substruktur von Jets analysieren. Für das Training werden Monte Carlo Simulationen verwendet, die als Signal hauptsächlich longitudinal polarisierte Vektorbosonen enthalten und so-genannten Working Points mit bestimmten Signaleffizienzen, z.B. der Algorithmus identifizert 80% des Signals korrekt, werden definiert. Wir wissen jedoch, dass in Standardmodellprozessen nicht nur longitudinal-polarisierte Vektorbosonen vorkommen sondern je nach Prozess auch ein hoher Anteil an transversal polarisierten Vektorbosonen. Die Substruktur von Jets hängt von der Polarisation der Teilchen ab, da die Zerfallsprodukte entweder entlang / entgegengesetzt der Flugbahn des zerfallenden Teilchens emittiert werden oder senkrecht dazu. Das bedeutet, dass die bisherigen entwickelten Algorithmen nicht gut für transversal polarisierte Vektorbosonen optimiert wurden und somit die Sensitivität in Präzisionsmessungen sinkt. 

In diesem Projekt werden Monte Carlo Simulationen von transversal und longitudinal polarisierten Vektorbosonen analysiert und die wichtigsten Substrukturvariablen verglichen. Maschinelles Lernen kann dann verwendet werden, um neue Algorithmen zu trainieren, die transveral polarisierte Vektorbosonen identifizieren. Im Idealfall könnte auch noch studiert werden, wie effizient ein Algorithmus die verschiedenen Arten von Polarisation voneinander unterscheiden könnte.

Zurück