Con lusions et perspe tives

Nous avons proposé une nouvelle appro he pour la dis rimination

γ

/

π⁰

basée sur un réseau de neu-rones(NN)quia epte6variablesd'entrée:3variablesdeformedu luster(

cP P

,

R9

et

σ_η

)et3variables d'environnement (

pT ,γ

pT ,closestjet

,

∆R(γ, closestSC)

et

∆R(γ, closesttrack)

) non orrélées ave les variables d'isolation lassiques. Le réseau de neurone est le lassieur quidonne les meilleurs résultats, en faisant usage des orrélationsentreles variablesd'entrée. Ilest séparableen deuxselon qu'on hoisissed'utiliser les 6variablesouseulement lesvariablesdeforme du lusteroud'environnement.Chaqueréseaude neu-roneséparédonneune meilleuredis riminationquel'usagedesvariablesd'entréesseules. Lesvariablesde forme du lusterdonnent unemeilleure performan equeles variables d'environnement. Entraîné ave les photons dubosondeHiggs ommesignal,lerejetdubruitdefond pour 90%d'e a itédusignalatteint 87% ave les variables de forme du luster, 85% pour les variables d'environnement et 93% pour leur ombinaison. Ces résultatssont meilleurs que eux obtenus dansles analysesde dis rimination

γ

/

π0

de CMS, ave un pluspetit nombre devariables.Deplus, l'analyseoreun traitement onjoint desphotons onvertis etnon- onvertis.

Leréseaudeneuronesmontreunebonnestabilitéenfon tiondesdiérentes atégoriesdephotons.La performan eestapproximativement lamême dansletonneauetlesbou hons,quelephoton soit onverti ou non (ave une meilleure performan e obtenue pour les photons non- onvertis), et dansles diérentes plages d'impulsion transverse essayées. Les performan es diminuent lorsque des ritères d'isolation de plus en plus sévères sont appliqués (mais ela est ompensé par le rejet du bruit de fond opérée par l'isolation même). Les performan es sont les meilleures lorsque le réseau de neurone est entraîné surles photonsdusignal

H → γγ

.Lesperforman es obtenuesave entraînementsurlesphotonsdusignal

γ

+jet et

γγ

+X sont équivalentes. Les performan es du réseau de neurone a aussi été omparées à un réseau de neurones ombinant

R9

,

∆R(γ, closesttrack)

et les trois variables lassiquesd'isolation, utilisé pour l'analyse

H → γγ

du TDR et a donné de meilleures performan es, surtout dans le as où des ritères d'isolationsévèressurdesphotonsde

p_T > 40

GeV(typiquedesanalysesdere her hedubosondeHiggs) sont appliqués.

Les in ertitudes systématiques liées à l'utilisation d'un réseau de neurones sont de deux types : in-trinsèques au réseau de neurones (problème du surentraînement et du re oupement de l'é hantillon de signal et de test), et extrinsèques (relatives à la mauvaise modélisation des variables d'entrée dans la simulation). Le réseau de neurones présenté n'est pas surentraîné (il est d'ailleurs sur e point plus ro-buste que le BDT), et le hoix d'un é hantillon diérent d'entraînement et de test a été ee tué pour ne pas biaiser le résultat. En e qui on erne les in ertitudes portant sur les variables d'entrées et qui se propagent sur lasortie du réseau de neurones,plusieurs méthodesont été proposées pour ontourner le problème (enentraînant leréseau de neurones à partir des données),ou pour mesurerles in ertitudes systématiquesà partirdesdonnées. Dès 200

pb⁻¹

de luminositéintégrée danslesdonnées, unlotde 2000 photons ertiés séle tionné par l'analysedu anal

Z → llγ

sera disponible et pourra être utilisé omme signal. Les éle trons de

Z → ee

sont disponibles plut tt (10

pb⁻¹

) mais ne peuvent pas être utilisés dire tement pour l'entraînement en raison de la diéren e de forme de la distribution

R9

par rapport auxphotonsdusignal.Enrevan he,entraînerleréseaudeneuroneàpartir d'uné hantillonMonte-Carlo

γγ

+X par exemple, etappliquer le réseau de neurone aux éle trons de

Z → ee

du Monte-Carlo et des données peut permettre une premièreestimation de l'in ertitudesystématique.Une autre méthode a été proposée, qui onsisteà utiliserla inématique desévènements

γ

+jetpour séle tionnerunlotdephotons du bruit de fond presque pur. La te hnique sera démontrée se tion 6.3. Enn, lorsque susamment de luminosité intégrée sera disponible, il deviendra possible d'utiliser les bandes de tés de ladistribution enmasseinvariante

γγ

pourséle tionnerunlotdephotonsdubruitdefondutilisablepourl'entraînement. Lesvariables d'entrées etla sortiedu réseau de neurones ont été validéesdans les données, ave une luminosité intégrée de6,71

nb−1

.La omparaison entre lesdonnées etlasimulationmontre unassez bon a ord global. Quelques diéren es de forme subsistent en parti ulier pour

pT ,γ

pT ,closestjet

, pour laquelle les orre tions en énergie des jets et une identi ation des jets devraient être appliquées. Il subsiste aussi quelques spikes qui passent laprésele tion et quidevraient être supprimés par des ritères de syn hro-nisation.

Pour améliorerlesperforman esduréseau deneurone, ilseraitpossibled'in lure l'information du dé-te teurpieddegerbedanslesbou hons,enparti ulierutiliserlavariable

ESratio = ^E3avant+E3arriere

E21avant+E21arriere

(où

E_3avant

et

E_3arriere

sontlesénergiesdes3pistesdelaplaqueavantet arrière entrées autourdu ristalde plushauteénergie(idempour

E_21avant

et

E_21arriere

)).Ilseraitaussienvisageablederé-investiguer l'usage des variables de onversion.

Dans les hapitres qui vont suivre, le réseau de neurone que nous venons de dé rire sera appliqué à diérents anaux dephysiques:

γ

+X,

γγ

+Xet

H → γγ

.

Analyses du pro essus

γ

+X dans les

données

L'analysedespro essus

γ

+X et

γ

+jet onstitue une importanteétapepour lare her he du bosonde Higgs, en e queleurétudefournit une première ompréhensiondesphotons isolésetde leurspropriétés. On entend par pro essus

γ

+X (photon in lusif) tous les pro essus de produ tion d'un photon prompt (in luant

γ

+jets et

γγ

+jets ainsi que les photons de fragmentation) lors de l'intera tion dure, et par

γ

+jet(+X) tous les pro essus de produ tion d'un photon prompt en asso iation ave un jet de l'inter-a tion dure. L'étude de es anaux revêt aussiun intérêt théorique, ar lamesure de la se tion e a e du pro essus

γ

+jet permet de sonder la pré ision des prédi tions de la QCD perturbative et elle du pro essus

γ

+Xd'apporter des ontraintessuplémentairesauxajustementsdesensembles dedistributions partoniques. Le pro essus

γ

+jet estégalement important du point devue expérimental pour déterminer les orre tionsen énergiedesjets.

Onne mentionnera pasledétail desdiérentes analyses

γ

+X ee tuées auTevatronpar CDF et D0 (dernièrement [158 ℄ et [157 ℄). Nous résumerons simplement la mar he à suivre pour l'analyse in lusive. L'enjeude esanalysesestlamesuredelase tione a ediérentielledeprodu tionin lusivedephotons. Pour réaliser ette mesure, l'outil employé estla soustra tionde bruit de fond par la méthode des tem-plates. Il existe plusieursvariantesde etteméthode(qui seront exposées plusloin).Toutelesméthodes reposent sur la onstru tion d'une distribution template pour le signal et une autre pour le bruit de fond,utilisées pour déterminerlapureté del'é hantillondansles données. Diérentes variables sont util-isées pour ladistribution destemplates, l'essentielétant quela variable ait unfort pouvoirdis riminant entre signal et bruit de fond. Une fois la pureté al ulée, le nombre d'évènements de signal est dérivé. La méthode lassique pour omparer e nombre d'évènements ave les prédi tions théoriques onsiste alors à orriger le nombre d'évènements pour toutes les ine a ités expérimentales et à lediviser par la luminosité intégrée. Les se tions e a es mesurées peuvent alors être omparées aux se tions e a es théoriques.

Dansun premiertemps, nousexposeronslesprédi tions théoriquesde se tione a e au NLO. Nous introduironsalorsla ongurationduréseaudeneuronesdedis rimination

γ

/

π⁰

,quiestl'outilparlequel nousobtiendronslesdistributions templatespour lesignaletlebruit defond.L'in ertitudesystématique surlaluminositéesten oregrandeétantdonnélaluminositéa umuléedanslespremièresdonnées. Suiv-ant l'analyse[159 ℄,nousneproposons pasdans e hapitre unemesurede lase tione a e diérentielle in lusive maisseulement une mesure de lapureté etdu nombre d'évènements de signal mesuré dansles données : nous ne omparerons pas les résultats aux prédi tions théoriques. Par la suite, nous présen-terons une méthode pour entraîner leréseau de neurones à partir des donnéesqui utilise la inématique des évènements

γ

+jet.

Dans le document Observation des photons directs dans les premières données et préparation à la recherche du boson de Higgs dans l'expérience CMS au LHC (CERN) (Page 148-151)