Developing and Applying Machine Learning Techniques for Model-Agnostic Searches for New Physics at the LHC

Abstract

The aim of this thesis is to search for physics beyond the Standard Model (SM) with minimal model dependence. Traditional searches for new physics at the Large Hadron Collider (LHC) target specific signatures based on well-motivated models. In contrast, model-agnostic approaches, typically depending on loose data selections or an accurate SM background description, lack high sensitivity for new physics signals. Recently, a new paradigm of model-agnostic searches has emerged based on anomaly detection, which is aimed at automatically identifying deviations from the background expectation in the data using machine learning. This work introduces CATHODE, a novel anomaly detection method, which combines generative models with classifiers, achieving state-of-the-art performance on a simulated benchmark dataset, particularly in addressing the more challenging setting of correlated observables. Further improvements to enhance the background estimation stability and the robustness against uninformative input features are proposed. CATHODE is applied to search for heavy resonances decaying to two large-radius jets with anomalous substructure in 13 TeV proton-proton collisions recorded by the CMS Experiment at the LHC. While no significant excess over the SM background is observed, it enables setting upper cross-section limits across a broad spectrum of signal models. In many cases, the sensitivity is shown to improve substantially over conventional generic search strategies. By demonstrating the potential of targeting many different signal models in a single analysis, this thesis lays the groundwork for more such data-driven, model-agnostic searches in the future.

Traditionelle Suchen nach neuer Physik am Large Hadron Collider (LHC) sind auf spezifische Signaturen ausgerichtet, die auf gut motivierten Modellen basieren. Im Gegensatz dazu sind modellunabhängige Ansätze, die typischerweise von einer losen Datenauswahl oder einer akkuraten SM-Untergrundbeschreibung abhängen, nicht besonders sensitiv für Signale neuer Physik. In jüngster Zeit hat sich ein neues Paradigma für modellagnostische Suchen herausgebildet, das auf der Erkennung von Anomalien basiert und darauf abzielt, mithilfe von maschinellem Lernen automatisch Abweichungen von der Untergrunderwartung in den Daten zu identifizieren. In dieser Arbeit wird CATHODE vorgestellt, ein neuartiges Verfahren zur Erkennung von Anomalien, das generative Modelle mit Klassifikationsverfahren kombiniert und auf einem simulierten Benchmark-Datensatz die beste Leistung erzielt, insbesondere bei der Bewältigung der schwierigeren Situation korrelierter Observablen. Es werden auch Verbesserungen vorgeschlagen, um die Stabilität der Untergrundabschätzung und die Robustheit gegenüber uninformativen Inputs zu erhöhen. CATHODE wird für die Suche nach massiven Resonanzen eingesetzt, die in zwei Jets mit großem Radius und anomaler Substruktur in 13 TeV Proton-Proton-Kollisionen zerfallen, die vom CMS-Experiment am LHC aufgezeichnet wurden. Es wird zwar kein signifikanter Exzess gegenüber dem SM-Untergrund beobachtet, aber es ermöglicht die Festlegung von Obergrenzen von Wirkungsquerschnitten für ein breites Spektrum an Signalmodellen. In vielen Fällen zeigt sich, dass die Sensitivität im Vergleich zu herkömmlichen generischen Suchstrategien erheblich verbessert wird. Durch die Demonstration des Potenzials, viele verschiedene Signalmodelle in einer einzigen Analyse zu berücksichtigen, legt diese Arbeit den Grundstein für weitere datengesteuerte, modellagnostische Suchen in der Zukunft.