Tau identification algorithms and study of the CP structure of the Yukawa coupling between the Higgs boson and tau leptons in CMS

Abstract

The measurement of the CP properties of the Yukawa coupling of the Higgs boson to τ leptons is presented. The data set used for the analysis is collected by the CMS experiment at the LHC during the Run 2 data-taking period in proton-proton collisions at √s = 13 TeV and corresponds to an integrated luminosity of 137 fb−1. The Yukawa coupling between the Higgs boson and τ leptons is parametrised in terms of the effective mixing angle αHττ, where the value αHττ = 0°(90°) corresponds to the SM scenario of the pure CP-even (CP-odd) Hττ coupling.

The angle between the decay planes of the τ leptons is used as the observable encoding the CP nature of the Higgs boson. The measurement is performed in the τeτh channel where one τ lepton decays into an electron and the other hadronically. The results are combined with the measurement in the τμτh and τhτh channels. The observed (expected) value of the effective mixing angle for the combination is measured to be: αHττ = −1 ± 19°(0 ± 21°) @68.3% CL. The results are compatible with the SM expectation and the pure CP-odd hypothesis is rejected at the observed (expected) significance level of 3.0 (2.6) standard deviations.

The improvements to the τ lepton identification in CMS in the context of the Run 3 preparation are described. Retraining and optimisation of the DeepTau algorithm with the addition of the adversarial fine-tuning procedure are performed. The resulting model improves upon the previous DeepTau model in terms of the background rejection by 10-50% and has a better description of data with simulation in the H → ττ selection region.

A new algorithm called Tau Transformer (TaT) is proposed to overcome the limitations of the DeepTau architecture. The TaT core is based on self-attention layers and features the embedding module allowing for the multimodality treatment of the input representation. Comparison of the TaT model with the retrained DeepTau model and a comparable ParticleNet-based architecture shows consistently improved performance by up to 50% in the misidentification rate across the pT, η, and decay mode ranges of interest.

Die Messung der CP-Eigenschaften der Yukawa-Kopplung des Higgs-Bosons an τ-Leptonen wird vorgestellt. Der für die Analyse verwendete Datensatz wurde vom CMS-Experiment am LHC während der Datenerfassungsperiode des Run 2 in Proton-Proton-Kollisionen bei √s = 13 TeV aufgezeichnet und entspricht einer integrierten Luminosität von 137 fb−1. Die Yukawa-Kopplung zwischen dem Higgs-Boson und τ-Leptonen wird durch den effektiven Mischungswinkel αHττ parametrisiert, wobei der Wert αHττ = 0°(90°) dem SM-Szenario der reinen CP-geraden (CP-ungeraden) Hττ-Kopplung entspricht.

Der Winkel zwischen den Zerfallsebenen der τ-Leptonen wird als Beobachtungsgröße verwendet, deren Verteilung die CP-Natur des Higgs-Bosons widerspiegelt. Die Messung wird im τeτh-Zerfallskanal durchgeführt, bei dem ein τ-Lepton in ein Elektron und das andere hadronisch zerfällt. Die Ergebnisse werden mit den Messungen in den Zerfallskanälen τμτh und τhτh kombiniert. Der beobachtete (erwartete) Wert des effektiven Mischungswinkels für die Kombination wird wie folgt gemessen: αHττ = −1 ± 19°(0 ± 21°) @68.3% CL.

Die Ergebnisse sind mit der SM-Erwartung vereinbar, und die reine CP-ungerade-Hypothese wird auf dem beobachteten (erwarteten) Signifikanzniveau von 3.0 (2.6) Standardabweichungen zurückgewiesen.

Die Verbesserungen bei der Identifizierung von τ-Leptonen in CMS im Zusammenhang mit der Vorbereitung von Run 3 werden beschrieben. Der DeepTau-Algorithmus wird unter Anwendung des Adversarial-Verfahrens neu trainiert und optimiert. Das sich daraus ergebende Modell verbessert das vorherige DeepTau-Modell in Bezug auf die Unterdrückung des Untergrundprozesses um 10-50% und führt zu einer besseren Beschreibung der Daten durch die Simulation im H → ττ-Selektionsbereich.

Ein neuer Algorithmus namens Tau Transformer (TaT) wird vorgeschlagen, um die Limitierungen der DeepTau-Architektur zu überwinden. Der TaT-Kern basiert auf Self-Attention Schichten und verfügt über ein Einbettungsmodul, das die multimodale Behandlung der Eingabedarstellung ermöglicht. Der Vergleich des TaT-Modells mit dem neu trainierten DeepTau-Modell und einer vergleichbaren ParticleNet-basierten Architektur zeigt eine durchgängig verbesserte Leistung von bis zu 50% bei der Fehlerkennungsrate in den interessierenden pT- und η-Bereichen sowie τh-Zerfallmoden.