Search for pair production of heavy particles decaying to a top quark and a gluon and development of ML-based L1 trigger strategies at the CMS experiment

Abstract

In this thesis, I present a search for a potential signature of new physics: the existence of a new resonance t*, characterized by its decay into a top quark and a gluon. I use 138 fb^{-1} of proton-proton collision events gathered with the Compact Muon Solenoid (CMS) experiment at the Large Hadron Collider (LHC). I analyze events with a single lepton, multiple jets, and missing transverse momentum and enrich potential signal events using a deep neural network (DNN). I utilize an an active, two-step decorrelation procedure to ensure that the DNN is independent of the sensitive variable ST of the search. This variable is defined as a scalar energy sum of all considered objects. I analyze distributions of ST in search for pair production of t* with either spin-1/2 or spin-3/2. The results agree with Standard Model predictions. Therefore, I set exclusion limits on the production cross section of t*. In the spin-1/2 case, these are between 120 fb for m_{t*} = 700 GeV and 0.8 fb for m_{t*} = 3000 GeV. For t* with spin-3/2 , the exclusion limits are between 15 fb for m_{t*} = 700 GeV and 1.0 fb for m_{t*} = 2750 GeV. Assuming all t* decay as t -> tg, I exclude the existence of t* below a mass of 1050 GeV for spin-1/2 and 1700 GeV for spin-3/2. These are the most stringent exclusion limits for this particle to date. In a second part, I present the development of algorithms for the Level-1 trigger (L1T) of CMS, which utilize machine learning to improve on currently used algorithms. Due to the high collision rate in CMS and the resulting immense data streams, the L1T needs to decide whether to store or discard an event at a rate of 40 MHz. Especially towards the high-luminosity phase of the LHC, novel techniques will be crucial for CMS to ensure optimal performance of the trigger system. I present studies on the optimization, hardware integration and usage of a trigger based on a neural network. I show that events of a HH -> bbWW (single muon) process can be selected more effectively than with classical algorithms using a lightweight neural network. I demonstrate that this network can be integrated into the hardware of the CMS L1T.

In dieser Arbeit präsentiere ich eine Suche nach einer potentiellen Signatur neuer Physik: der Existenz einer Resonanz t*, die in ein Top-Quark und ein Gluon zerfällt. Ich verwende 138 fb^{-1} an Daten von Proton-Proton Kollisionen, die mit dem Compact Muon Solenoid (CMS) Detektor am Large Hadron Collider (LHC) gemessen wurden. Ich analysiere Ereignisse mit einem Lepton, Jets und fehlendem transversalen Impuls und reichere potentielle Signal-Ereignisse mithilfe eines Deep Neural Networks (DNN) an. Ich nutze eine aktive, zweistufige Dekorrelationsprozedur um sicherzustellen, dass das DNN unabhängig von der sensitiven Variable ST der Suche ist. Diese ist als skalare Impulssumme aller betrachteten Objekte definiert. Ich analysiere ST-Verteilungen auf der Suche nach Paarproduktion von t* mit Spin-1/2 oder Spin-3/2. Meine Resultate stimmen mit den Vorhersagen des Standardmodelles überein, so kann ich die Paarproduktion von t* mit Spin-1/2 , je nach Masse des t*, für Wirkungsquerschnitte zwischen 120 fb für m_{t*} = 700 GeV und 0.8 fb für m_{t*} = 3000 GeV ausschließen. Für ein t* mit Spin-3/2 liegen die Ausschlussgrenzen zwischen 15 fb für m_{t*} = 700 GeV und 1.0 fb für m_{t*} = 2750 GeV. Unter der Annahme, dass alle t* als t* -> tg zerfallen, kann die Existenz eines t* unterhalb einer Masse von 1050 GeV für Spin-1/2 bzw. 1700 GeV für Spin-3/2 ausgeschlossen werden. Dies sind die bisher stringentesten Ausschlussgrenzen für dieses Teilchen. In einem zweiten Teil präsentiere ich die Entwicklung von Algorithmen für den Level-1 Trigger (L1T) von CMS, die mithilfe von maschinellem Lernen versuchen eine Verbesserung gegenüber aktuellen Algorithmen zu erzielen. Aufgrund der hohen Kollisionsrate in CMS und den daraus resultierenden immensen Datenströmen muss der L1T mit einer Rate von 40 MHz entscheiden, ob ein Ereignis gespeichert wird. Insbesondere in Hinblick auf die zukünftige ”High-Luminosity”-Phase des LHC sind solche neuartigen Techniken unabdingbar für CMS, um die Effektivität des Triggersystems zu gewährleisten. Ich führe Studien zur Optimierung, Hardwareintegration und Nutzung eines Triggers, der auf einem Neuronalen Netz basiert durch. Ich zeige, dass Ereignisse des Prozesses HH -> bbWW, die ein einzelnes Muon enthalten, mithilfe eines kleinen neuronalen Netzwerkes effektiver selektiert werden können als mit klassischen Algorithmen. Ich demonstriere, dass dieses Netzwerk in die Hardware des L1T von CMS integriert werden kann.