lhc-atlas実験におけるzh→ννbb過程を用いた標...

LHC-ATLAS実験におけるZH→ννbb過程を用いた標準模型ヒッグス粒子の探索

木内健司江成祐二Ａ，永井義一 B，音野瑛俊 C，原和彦，金信弘，受川史彦筑波大学，東大素セ A，CPPM Aix-Marseille Univ.B，大阪大 C

日本物理学会2013秋　高知大学

113年9月21日土曜日

Outline

• H->bb解析の現状とこれからの改善点

• 改善点 1: 低MissingET(MET)領域の解析

• 改善点 2: Boosted Decision Tree( BDT ) の導入

• まとめ

本解析の対象となるヒッグス生成事象

終状態: MET+bb

BDT213年9月21日土曜日

現在の最新結果(MET+bb)

2011(7 TeV)+2012(8 TeV)　計25/fbのデータを解析ヒッグス粒子(Mh=125 GeV)の生成断面積に対して

95%の確度で標準模型の1.4倍の上限値を課した( ZH→vvbb, WH→lvbb, ZH→llbb の合計 )

ATLAS-CONF-2013-079313年9月21日土曜日

ZH→vvbb解析の現状とこれから• 現状で最も寄与の大きいチャンネル

• これからの改善点

• MET > 120 GeVを解析に使用

➡ MET > 90 GeVの領域を追加

• 現在はカットでの解析

➡ 多変量解析の導入MET_RefFinal_et (GeV)

0 50 100 150 200 250

Effic

ienc

y

0

0.2

0.4

0.6

0.8

1 ATLAS Simulationbbii AZH

Trigger 2011Trigger 2012

最大10%の感度向上見込み

最大20%程度の感度向上見込み

Z(W)

v(l)本解析の対象となるヒッグス生成事象

MVA

終状態: MET+bb

MissingEt (GeV)


METトリガの立上り: Wmunu事象

• トリガではMuon Spectrometerの情報が計算に入っていない(ニュートリノと同じくMETを作る)事を利用して、　　　　　　　　　　　　　オフラインMETにミューオンの計算を入れない事で Wmunu, Zmumu+Jets(Muonトリガで取得)事象からZnunu+Jets事象を再現した

• METトリガの立上りを計算、誤差関数でフィットすることによって各段での閾値、立ち上がりの幅を計測した(プロット内)

• フィット結果よりデータとシミュレーションの間のずれを補正する関数( SF = Data / MC )を算出した。誤差1.5%@90GeV

MissingET (GeV)0 20 40 60 80 100 120 140 160 180 200 220

Effic

ienc

y

0

0.2

0.4

0.6

0.8

1

/ ndf 2r 26.3 / 28Prob 0.5565plateau 0± 1 threshold (GeV) 0.8681± 81.59 width (GeV) 0.6241± 28.85

/ ndf 2r 26.3 / 28Prob 0.5565plateau 0± 1 threshold (GeV) 0.8681± 81.59 width (GeV) 0.6241± 28.85

Data_Wmunu L1 turn on

MissingET (GeV)0 20 40 60 80 100 120 140 160 180 200 220

Effic

ienc

y

0

0.2

0.4

0.6

0.8

1

/ ndf 2r 29.86 / 29Prob 0.4212threshold (GeV) 1.165± 66.68 width (GeV) 0.7385± 27.11


Data_Wmunu L2 turn on

MissingET (GeV)0 20 40 60 80 100 120 140 160 180 200 220

Effic

ienc

y

0

0.2

0.4

0.6

0.8

1



Data_Wmunu EF turn on

MissingET (GeV)0 20 40 60 80 100 120 140 160 180 200 220

Effic

ienc

y

0

0.2

0.4

0.6

0.8

1

Data_Wmunu Total turn on

Data Simulation

L1 trigger

L2 trigger

EF trigger

生データ

記録

L1 trigger L2 trigger

EF trigger Total

L1 trigger L2 trigger

EF trigger Total

青: フィット関数+フィット誤差

赤: フィット関数


ジェットの運動量とトリガ効率

• ジェットの運動量が低く、MissingETも低い領域が補正しきれていない

• Zの結果とWの結果の差が大きく系統誤差も大きい

• この領域を除外してもヒッグスに対する感度は落ちないため除去する

Data/MC

Data/MC leading jet pt (GeV)

leading jet pt (GeV)

補正後のトリガ効率比 ( Wmunu)

MissingEt (GeV)

lead

ing

jet

pt (

GeV

) 領域I : 90 < MET(GeV) < 120

赤: Wmunu

黒: Zmumu

領域2: 120 < MET(GeV) < 160

カット

カット

Data/MC

ATLAS work in progress

ps = 8 TeV

ZL dt = 18.2 fb

�1

カット

領域1　領域２


低MET領域の解析レプトンの除去 (W, Z(ll)事象との分離)

❖ pT > 10 GeVの e/mu を持つ事象を除外ジェット❖ pT > 25 GeV, | eta | < 2.5❖ 1st jet pT > 70 GeV❖ bクォーク由来のジェットを2本

๏ 70%の効率でbジェットを選択する。99.3%のlight、80%のcを除去QCD背景事象の除去❖ MET_trk(飛跡検出器の横方向消失運動量) > 30 GeV

❖ dPhi ( MET, JJ ) > 2.2❖ dPhi ( MET, MET_trk ) < pi/2❖ MET / √(pTJ1 + pTJ2) > 7❖ QCD Likelihood < 0.95

MET bin (GeV) 90-120 120-160 160-200 200-

dR(j,j) 0.7-3.0 0.7-2.3 0.7-1.8 <1.4

bジェットの同定

dPhi(j, j), dPhi(MET, jj), pTJJcos(helicity angle), pTJJ/(pTJ1+pTJ2)

MET(Z/W)信号 2b-jets

Higgs(bb)

QCD事象の例

likelihood score

num

ber

of e

vent

s


ps = 8 TeV

ZL dt = 20.3 fb

�1


低MissingET領域の解析結果MET bin (GeV) Higgs数

90 < MET < 120

9.38 0.408

120 < MET 21.0 1.05

Total 30.4 1.13

7.6 %の感度向上した信号数は大幅に増加しており、

MVAの導入により改善が期待される。dR(b,b)カットを適応した結果最尤法でQCD背景事象を除去

90 GeV < MET < 120 GeVのMbb分布

blinded


ps = 8 TeV

ZL dt = 20.3 fb

�1

X

bins

S/p

(B)


MET > 120GeV, BDTを用いた解析レプトンの除去 (W, Z(ll)事象との分離)

❖ pT > 10 GeVの e/mu を持つ事象を除外ジェット❖ pT > 25 GeV, | eta | < 2.5❖ 1st jet pT > 45 GeV ( MET < 160GeV の場合 70 GeV)

❖ bクォーク由来のジェットを2本๏ 80%の効率でbジェットを選択する。96.6%のlight、67%のcを除去

QCD背景事象の除去❖ MET_trk > 30 GeV❖ dPhi (MPT, MET) < pi/2 ❖ dPhi ( MET, JJ ) > 2.8❖ dPhi { min( MET, J ) } > 1.5

bジェットの同定

MET(Z/W)信号 2b-jets

Higgs

dRカットを外し、b-jetの選別を緩める。なるべく多くの信号をBDTにいれて、増えた背景事象はBDTで選別させる。

Higgs数(MET > 120 GeV)Cut base 21.0

BDT pre-selec. 30.1

QCD事象の例


多変量解析の導入• Boosted Decision Tree(BDT)...学習速度と選別効率のバランスが良い

• 入力変数

• MJJ

• dRJJ

• j1, j2 b-tag weight

カットの解析で良く理解されている

過去の実験で行われていた、b-jet選別の最適化をBDTに肩代わりさせる。b-tag weightを校正するため、5binに統合した。

b-jetらしさ1に近い程 b-jet らしい 5 binに統合し、較正を行った

b-tag weight


ps = 8 TeV

ZL dt = 20.3 fb

�1


ps = 8 TeV

ZL dt = 20.3 fb

�1

b-tag weight

従来の解析領域

b-jet likelight-jet like

num

ber

of e

vent

s

num

ber

of e

vent

s


BDTの学習結果

• Kolomogorov-Smirnov検定の結果は妥当で過剰学習の形跡はない

• 以上の4変数に他の変数を追加しても優位な改善は認められない

• 複雑なBDTの作製はKS検定の結果を悪化させる...信号の統計を増加予定

mJJ_corr [GeV]-50 0 50 100 150 200 250 300 350

11.7

GeV

/ (1

/N) d

N

0

0.005

0.01

0.015

0.02

0.025

0.03

0.035 SignalBackground

U/O

-flow

(S,B

): (0

.0, 0

.0)%

/ (0

.0, 0

.0)%

Input variable: mJJ_corr

dRJJ0.8 1 1.2 1.4 1.6 1.8 2 2.2

0.04

1 /

(1/N

) dN

0

0.2

0.4

0.6

0.8

1

1.2

1.4

U/O

-flow

(S,B

): (0

.0, 0

.0)%

/ (0

.0, 0

.0)%

Input variable: dRJJ

MV1cJ1category [efficiency]30 40 50 60 70 80

1 ef

ficie

ncy

/ (1

/N) d

N

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

U/O

-flow

(S,B

): (0

.0, 0

.0)%

/ (0

.0, 0

.0)%

Input variable: MV1cJ1category

MV1cJ2category [efficiency]30 40 50 60 70 80

1 ef

ficie

ncy

/ (1

/N) d

N

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

U/O

-flow

(S,B

): (0

.0, 0

.0)%

/ (0

.0, 0

.0)%

Input variable: MV1cJ2category

BDT_400 response-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4

dx / (1

/N) d

N

0

0.5

1

1.5

2

2.5

3

3.5

4 Signal (test sample)

Background (test sample)

Signal (training sample)

Background (training sample)Kolmogorov-Smirnov test: signal (background) probability = 0.644 (0.714)

U/O

-flow

(S,B

): (0

.0, 0

.0)%

/ (0

.0, 0

.0)%

TMVA overtraining check for classifier: BDT_400


BDT出力と期待される感度Cut based BDT

120 < MET < 160 0.550 -

160 < MET < 200 0.586 -

200 < MET 0.806 -

Total 1.13 1.39

今後の課題...データ/MCの一致していない領域の理解が必要2次元以上でのデータ/MCの比較(2d KS検定, BDT出力)

連続的なb-taggingに伴う系統誤差の見積もり

23%以上の感度向上 !

BDT出力分布 ( MET > 120 GeV )


ps = 8 TeV

ZL dt = 20.3 fb

�1

blinded

X

bins

S/p

(B)

num

ber

of e

vent

s

BDT score


ZH→vvbb解析のまとめ• METトリガの理解を進め、低いMET事象の解析を可能にした

• 低いMissingET領域を追加することで7.6%の向上が認められた。　まだMVAの適応等Higgs選別最適化の余地がある。

• 多変量解析を導入することで約23%の感度向上が期待される。

• 新たにb-jetらしさをBDTの入力変数として利用した。　　　　　これに伴う系統誤差の見積もりを今後行ってゆく。


バックアップ


背景事象の見積もり


lhc-atlas実験におけるzh→ννbb過程を用いた 標...

Documents

lhc-atlas実験におけるzh→ννbb過程を用いた標...