guest ::
Search for non-resonant di-Higgs production in the four bottom-quark final state with the CMS experiment
2024 & 2025
Dissertation, RWTH Aachen University, 2024
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025
Genehmigende Fakultät
Fak01
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2024-12-20
Online
DOI: 10.18154/RWTH-2025-01664
URL: https://publications.rwth-aachen.de/record/1004845/files/1004845.pdf
Einrichtungen
- Lehr- und Forschungsgebiet Experimentalphysik (Hochenergiephysik) (133320)
- Fachgruppe Physik (130000)
Projekte
- BMBF-05H15PACC1 - Verbundprojekt 05H2015 - Physik bei höchsten Energien mit dem CMS-Experiment am LHC (BMBF-FSP 104): Physik am Large Hadron Collider - Datennahme, Auswertung, Interpretation (05H15PACC1) (05H15PACC1)
- BMBF 05H19PACC1 - Verbundprojekt 05H2018 (ErUM-FSP T03) - Ausbau von CMS am LHC: Elementarteilchenphysik mit dem CMS-Experiment (05H19PACC1) (05H19PACC1)
- BMBF 05H21PACC2 - Verbundprojekt 05H2021 (ErUM-FSP T03) - Run 3 von CMS am LHC: Physik der kleinsten Teilchen mit dem CMS-Experiment (BMBF-05H21PACC2) (BMBF-05H21PACC2)
- 05H21PARC2 - Verbundprojekt 05H2021 - R&D COMPUTING (Föderierte Infrastrukturen): Erforschung föderierter Infrastrukturkonzepte für hocheffiziente Datenanalysen (BMBF-05H21PARC2) (BMBF-05H21PARC2)
Thematische Einordnung (Klassifikation)
DDC: 530
Kurzfassung
Der Higgs-Mechanismus ist von großer Bedeutung für das Standardmodell der Teilchenphysik. Er ermöglicht die Erzeugung der Massen von elementaren Teilchen, ein Problem das mehrere Jahrzehnte ungelöst blieb. Seit der experimentellen Bestätigung mit der Entdeckung des Higgs-Bosons im Jahr 2012 wurden viele Eigenschaften des Higgs-Mechanismus validiert, was seine Notwendigkeit weiter bestätigt. Eine bislang nicht gemessene Eigenschaft von erheblicher Bedeutung ist die Selbstkopplung des Higgs, diese ermöglicht ein tieferes Verständnis des zugrunde liegenden Higgs-Feldes und damit der (meta-)stabilität unseres Universums. Diese Arbeit nutzt Daten, die vom Compact Muon Solenoid (CMS)-Experiment während der zweiten Experimentierphase des Large Hadron Collider (LHC) aufgezeichnet wurden, um nach der Produktion von Higgs-Boson-Paaren mit einem Endzustand aus vier Bottom-Quarks zu suchen. Gemessen werden Signalstärke-Modifikatoren, bzw. obere Ausschlussgrenzen, der Produktionsmodi durch Gluonfusion und Vektorbosonfusion sowie relevante Kopplungsfaktoren des Kappa-Framework. Der abgedeckte Phasenraum besteht vollständig aus Jets, was die Modellierung von Hintergrundprozessen aufgrund unzureichender Simulationsdaten, insbesondere in Bezug auf die Menge, äußerst herausfordernd macht. Diese Dissertation verwendet erstmals tiefe neuronale Netzwerke für datengestützte Hintergrundmodellierung und Signalsanreicherung mittels Multiklassenklassifikation. Darüber hinaus wird ein umfassendes Schema eingeführt, um Selbstverzerrungseffekte direkt in die statistische Analyse zu integrieren. Diese ursprünglich blinde Analyse beachtete vollständige Entblindungsprozeduren; die erhaltenen Ergebnisse sind mit den Erwartungen und vergleichbaren Analysen vereinbar.The Higgs mechanism is of great importance to the Standard Model of particle physics. It provides a means to generate the masses of elementary particles, a problem that remained unsolved for several decades. Since the recent experimental confirmation with the discovery of the Higgs boson in 2012, many properties of the Higgs mechanism have been validated, further solidifying its necessity. One yet-unmeasured characteristic of significant importance is the Higgs self-coupling, which enables a deeper understanding of the underlying Higgs field and thus the (meta-)stability of our universe. This work utilizes data recorded by the Compact Muon Solenoid (CMS) experiment during the Large Hadron Collider's (LHC) second experimental period to search for Higgs boson pair production with a four bottom quark final state. It measures signal strength modifiers, or rather upper exclusion limits, in gluon fusion and vector boson fusion production modes, as well as applicable coupling factors of the Kappa framework. The targeted phase space consists entirely of jets, making background process modeling highly challenging due to insufficient simulation data, particularly in quantity. This thesis newly employs deep neural networks for data-driven background modeling and signal enrichment via multiclass classification. Additionally, it introduces a comprehensive schema for directly incorporating self-bias effects within statistical inference. This initially blinded analysis observed complete unblinding procedures; the obtained results are compatible with expectations and comparable analyses.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT030965221
Interne Identnummern
RWTH-2025-01664
Datensatz-ID: 1004845
Beteiligte Länder
Germany
|
The record appears in these collections: |