MARC

 008260126s2025        us                              c    eng  d
■001000017360176
■00520260202105315
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265432575
■035    ▼a(MiAaPQ)AAI32286462
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a593.7
■1001  ▼aCheng,  Chi  Lung.
■24510▼aStudies  of  Higgs  Boson  Self-Interaction  via  Higgs  Boson  Pair  Production  in  the  ATLAS  Experiment  and  the  Development  of  Prior-Assisted  Anomaly  Detection  Methods  for  New  Physics  Searches
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a363  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Wu,  Sau  Lan.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aParticle  physics  stands  at  the  forefront  of  humanity's  endeavor  to  understand  our  physical  reality,  studying  the  elementary  particles  and  the  forces  that  govern  their  interactions.  This  thesis  presents  contributions  to  this  scientific  effort,  detailing  experimental  research  conducted  as  part  of  the  ATLAS  Collaboration  at  the  CERN  Large  Hadron  Collider  (LHC).  It  also  introduces  novel  machine  learning  methods  designed  for  model-agnostic  searches  for  new  physics.  The  work  presented  herein  addresses  fundamental  questions  at  the  heart  of  the  Standard  Model  (SM)  and  explores  avenues  for  discovering  physics  beyond  it.The  first  part  focuses  on  an  investigation  into  the  Higgs  boson's  self-interaction  via  Higgs  boson  pair  production  (HH)  processes.  Measuring  the  Higgs  self-coupling  is  essential  for  experimentally  reconstructing  the  Higgs  potential,  providing  important  insights  into  the  mechanism  of  electroweak  symmetry  breaking  and  offering  a  window  into  physics  beyond  the  Standard  Model.  This  work  presents  a  dedicated  search  in  the  HH  to  bb  final  state  using  the  full  140fb-1  Run  2  dataset  collected  by  the  ATLAS  experiment  at  √s=13  TeV.  The  analysis  strategy  was  optimized  for  sensitivity  to  both  the  dominant  gluon-gluon  fusion  and  sub-dominant  vector-boson  fusion  production  modes.  Furthermore,  this  thesis  details  the  statistical  combination  of  this  search  with  four  other  ATLAS  Run  2  HH  analyses.  At  the  time  of  publication,  this  combination  yielded  the  most  stringent  constraints  derived  from  the  LHC  Run  2  data:  an  observed  (expected)  95%  CL  upper  limit  is  set  on  the  SM  HH  production  signal  strength  modifier  of  µHH    2.9  (2.4).  The  combination  constrains  the  Higgs  boson  trilinear  self-coupling  modifier,  κλ  =  λHHH/λHHH  SM,  to  the  interval  [-1.2,  7.2]  (expected  [-1.6,  7.2])  as  well  as  the  quartic  HHVV  coupling  modifier,  κ2V,  to  [0.6,  1.5]  (expected  [0.4,  1.6])  at  95%  CL.  These  results  are  consistent  with  the  Standard  Model  predictions.The  second  part  shifts  focus  to  model-agnostic  search  strategies,  addressing  the  challenge  of  discovering  unexpected  new  physics  phenomena.  Novel  machine  learning  techniques  for  anomaly  detection  are  introduced.  This  work  presents  a  method  called  Prior  Assisted  Weak  Supervision  (PAWS),  developed  to  significantly  enhance  search  sensitivity  by  incorporating  physics  knowledge  to  guide  the  learning  process.  This  physics  knowledge,  serving  as  a  prior,  defines  a  restricted,  physically  motivated  space  of  potential  signal  functions,  which  focuses  the  search  when  looking  for  potential  anomalies  in  the  data.  On  benchmark  simulated  dijet  resonance  datasets,  PAWS  demonstrates  over  an  order-of-magnitude  improvement  in  sensitivity  compared  to  conventional  weakly  supervised  approaches.  This  method  is  further  extended  into  a  complete  framework  for  statistical  inference,  Generator  Based  Inference  (GBI),  enabling  not  only  the  detection  of  anomalies  but  also  the  direct,  quantitative  measurement  of  their  physical  properties  (e.g.,  particle  mass,  signal  fraction)  with  well-defined  confidence  intervals.  Studies  on  simulated  datasets  show  the  GBI-PAWS  framework  can  detect  signals  with  significances  as  low  as  0.1σ  and  provide  accurate,  unbiased  parameter  estimates.  While  these  methods  show  significant  promise,  their  application  to  experimental  data  remains  future  work.Together,  these  efforts  contribute  to  the  ongoing  exploration  of  fundamental  physics,  providing  experimental  constraints  on  the  Higgs  boson's  self-interaction  while  introducing  effective  anomaly  detection  methodologies  for  future  discoveries.
■590    ▼aSchool  code:  0262.
■650  4▼aParticle  physics
■650  4▼aPhysics
■650  4▼aApplied  physics
■653    ▼aAnomaly  detection
■653    ▼aATLAS  experiment
■653    ▼aHiggs  boson  pair  production
■653    ▼aHiggs  self-coupling
■653    ▼aMachine  learning  methods
■690    ▼a0798
■690    ▼a0605
■690    ▼a0215
■71020▼aThe  University  of  Wisconsin  -  Madison▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360176▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서