Optymalizacja kryteriów selekcji dla rozpadu Λ+c pμ+μza pomocą wielowymiarowej analizy danych

Transkrypt

1 Optymalizacja kryteriów selekcji dla rozpadu Λ+c pμ+μza pomocą wielowymiarowej analizy danych Maciej Kościelski Jakub Malczewski opiekunowie prof. dr hab. Mariusz Witek mgr inż. Małgorzata Pikies

2 LHCb kalorymetr hadronowy kalorymetr elektromagnetyczny detektor wierzchołka detektor mionowy

3 przykładowa detekcja mionów p Λ +c μ μ

4 Λ +c Rozpad Λ+c pμ+μ- jest silnie wzbroniony w ramach Modelu Standardowego. Badanie rzadkich rozpadów tego typu posiada potencjał odkrycia Nowej Fizyki, czyli niezgodności z przewidywaniami Modelu Standardowego. Przy jego poszukiwaniu używa się rozpadu rezonansowego Λ+c pφ(μ+μ-) jako kanału normalizacyjnego, którego współczynnik rozgałęzienia wynosi BF(Λ+c pφ(μ+μ- ) ) = 3.1*10-7. Celem naszej pracy była optymalizacja kryteriów selekcji dla rozpadu Λ+c pφ i ewentualna obserwacja rozpadu Λ+c pω, którego jeszcze nigdy nie obserwowano.

5 p Dane wejściowe Λ + c μ μ Po wstępnej selekcji (tzw. Stripping). - Dane z eksperymentu LHCb z lat Próbka Monte Carlo dla rozpadu Λ+c pφ(μ+μ- ) Dane w formie tzw. standardowych ntupli (ROOT) zawierają informacje o rozpadzie (kinematyka, parametry wierzchołka wtórnego, identyfikacja produktów rozpadu, zmienne izolacyjne).

6 Masa C - wycinek danych pomiarowych spodziewany sygnał w okolicach masy C

7 Do analizy danych użyliśmy narzędzia TMVA będącego częścią pakietu Root. Toolkit for Multi Variate Analysis

8 Szkolenie Do szkolenia algorytmów użyliśmy jako sygnał próbkę Monte Carlo rozpadu Λ+c pφ(μ+μ- ). Jako tło posłużyły dane z obszaru poza masą niezmienniczą Λ+c, w której spodziewaliśmy się znaleźć rzeczywisty sygnał. Strategia szkolenia: Stworzyliśmy szeroką listę zmienny dających dobrą separację sygnału i tła Wybraliśmy najefektywniejszą metodę MVA Przeprowadziliśmy szkolenie, odrzucając mało znaczące zmienne. Redukowaliśmy je, dopóki nie zaobserwowaliśmy znaczącego spadku wydajności (całka krzywej ROC)

9 Krzywa ROC dla różnych metod MVA - porównanie

10 Zmienne użyte podczas analizy za pomocą BDT Nazwa robocza Istotność zmiennej 1 : Lambda_cplus_IPCHI2_OWNPV : 1.191e-01 2 : Exp_1000_Lambda_cplus_TAU : 1.114e-01 3 : Lambda_cplus_ENDVERTEX_CHI2 : 9.357e-02 4 : Lambda_cplus_CDFiso : 8.643e-02 5 : pplus_pt : 7.873e-02 6 : min(pplus_track_chi2ndof,min(muplus_track_chi2ndof, )) : 7.817e-02 7 : Lambda_cplus_PT : 7.092e-02 8 : muplus_pt : 6.817e-02 9 : muminus_pt : 6.788e : Lambda_cplus_FD_OWNPV_/_sqrt_Lambda_cplus_FDCHI2_OWNPV : 6.348e : min(pplus_pt,min(muplus_pt,muminus_pt)) : 6.265e : mu_2_isolation : 5.263e : mu_1_isolation : 4.695e-02 Są to głównie zmienne topologiczne, dobrze symulowane przy generacji MC.

11 Przykładowe zmienne użyte podczas analizy. Histogramy unormowano.

12 Przykładowe zmienne użyte podczas analizy. Warto zauważyć różnice między rozkładami dla tła i sygnału, które pomogły lepiej odseparować badane przypadki.

13 Histogramy zmiennej dyskryminującej dla tła i sygnału wygenerowane dla próbki treningowej i testowej.

14 Po uzyskaniu dla każdego zdarzenia zmiennej dyskryminującej BDT określiliśmy dokładne wartości w których dokonaliśmy cięć. Wybraliśmy trzy zmienne: zmienna dyskryminująca BDT ProbNNmu prawdopodobieństwo identyfikacji mionów ProbNNp prawdopodobieństwo identyfikacji protonu Za kryterium optymalizacji (FoM) uznaliśmy S/ (S+B), gdzie S - ilość sygnału MC jaki pozostał po cięciu B - ilość tła jakie pozostało po cięciu Dla każdego punktu (ProbNNmu, ProbNNp) wyznaczyliśmy największe FoM oraz odpowiadające mu cięcie na zmiennej BDT. Następnie wybraliśmy punkt o najwyższym FoM na całej siatce.

15 Tło Sygnał Histogramy prawdopodobieństwa, że cząstka zaklasyfikowana jako mion w rzeczywistości jest mionem dla sygnału i tła. Widać istotne różnice w rozkładzie.

16 max( S/ S+B(bdt) )(ProbNNp, ProbNNmu) Pr ob NN p u ProbNNm Wykres największego FoM dla cięć na prawdopodobieństwach określonych na siatce.

17 Events Wartości zmiennej masa + C po selekcji

18 Po selekcji sygnału dopasowaliśmy krzywą wykładniczą do tła i krzywą Gaussa do sygnału w celu oszacowania jego ilości i błędu wyznaczonej masy. Kanał φ

19 Określenie ilości sygnału w kanale ω i w kanale φ pozwoliło nam oszacować stosunek tych rozpadów. Dało to możliwość wyznaczenie współczynnika rozgałęzienia nieobserwowanego dotąd rozpadu przez kanał ω. Kanał ω

20 Events Masa C po selekcji, w rozbiciu na kanał φ i ω kanał φ kanał ω BR Nω / NΦ = BFω / BFΦ BFΦ = (3,21 ± 0,69) 10-7 BFω = (6,8 ± 1,5) 10-8 MeV/c2

21 KONIEC Maciej Kościelski maciej.j.koscielski(małpa)student.put.poznan.pl Jakub Malczewski jakubmalczewski(małpa)opmbx.org opiekunowie prof. dr hab. Mariusz Witek mgr inż. Małgorzata Pikies

22 Źródła: Dane z eksperymentu LHCb z lat Search for Λ+c pμ+μ- decay, Marcin Chrząszcz, Tadeusz Lesiak, Borys Nowak, Mariusz Witek, nz11-agh1.ifj.edu.pl/.../lc2pmumu_ pdf Badanie rozpadów w eksperymencie LHCb, Paweł Nowak, nz11-agh1.ifj.edu.pl/.../mgr5.pdf Particle Data Group, pdg.lbl.gov ROOT a Data Analysis Framework, root.cern.ch TMVA Users Guide, tmva.sourceforge.net/docu/tmvausersguide.pdf Praktyki ATLAS - atlas.ifj.edu.pl/praktyki/materialy.html Searches for Rare or Forbidden Semileptonic Charm Decays (eksperyment BaBar), www-spires.slac.stanford.edu/.../slac-pub pdf