MARC

 008250123s2024        us                              c    eng  d
■001000017163579
■00520250211152726
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383599860
■035    ▼a(MiAaPQ)AAI31490271
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aTsoi,  Ho  Fung.
■24510▼aSearch  for  Exotic  Higgs  Boson  Decays  With  CMS  and  Fast  Machine  Learning  Solutions  for  the  LHC
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a204  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Dasu,  Sridhara.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2024.
■520    ▼aThere  exists  potential  for  discoveries  beyond  the  Standard  Model  in  scalar  sector,  which  could  manifest  as  Higgs  boson  exotic  decays  into  new  light  pseudoscalars.  This  search  targets  such  decays,  focusing  on  pseudoscalar  masses  ranging  from  12  to  60  GeV,  in  final  states  where  one  pseudoscalar  decays  into  two  b  quarks  and  the  other  into  two  τ  leptons  or  two  muons.  The  analysis  is  based  on  a  dataset  of  proton-proton  collisions  at  √s  =  13  TeV,  collected  by  the  CMS  detector  during  LHC  Run  2,  with  an  integrated  luminosity  of  138  fb−1  .  Dedicated  neural  networks  are  used  to  distinguish  between  signal  and  background,  significantly  enhancing  sensitivity.  The  results  are  presented  as  exclusion  limits  at  95%  confidence  level  on  the  model-independent  branching  ratio  and  are  interpreted  within  two-Higgs  doublet  models  augmented  by  a  singlet.The  second  part  of  this  thesis  presents  machine  learning  methods  to  enhance  overall  sensitivity  in  the  low-latency  domain  for  the  LHC  experiments.  A  novel  machine  learning-based  trigger  algorithm  is  developed,  using  anomaly  detection  to  search  for  new  physics  in  a  model-agnostic  manner  as  close  to  the  raw  collision  data  as  possible.  This  anomaly  detection  trigger  is  sensitive  to  a  wide  range  of  both  conventional  and  unconventional  physics  signatures  and  has  an  inference  latency  of  O(100)  ns  on  an  FPGA.  It  is  deployed  during  Run  3  in  the  CMS  Level-1  trigger  system,  which  processes  the  first  round  of  real-time  event  selection  from  collision  data  at  a  rate  of  40  MHz.  Additionally,  a  novel  model  compression  method  using  symbolic  regression  is  developed  to  accelerate  machine  learning  inference  to  nanosecond  speeds  on  FPGAs.  This  method  demonstrates  potential  to  significantly  reduce  the  computational  costs  of  machine  learning  algorithms  while  maintaining  performance  comparable  to  that  of  neural  networks.  These  advancements  are  crucial  for  meeting  the  sensitivity  and  computational  demands  of  resource-constrained  environments  such  as  the  LHC  experiments.
■590    ▼aSchool  code:  0262.
■650  4▼aPhysics
■650  4▼aApplied  physics
■650  4▼aNuclear  physics
■653    ▼aPseudoscalars
■653    ▼aExotic  decays
■653    ▼aHiggs  boson
■653    ▼aMachine  learning
■653    ▼aAnomaly  detection
■690    ▼a0605
■690    ▼a0756
■690    ▼a0215
■71020▼aThe  University  of  Wisconsin  -  Madison▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163579▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서