Date of Award
6-2025
Document Type
Thesis
Degree Name
Master of Science in Physics
Department
Physics
Abstract
Photons play a crucial role in numerous analyses at the Large Hadron Collider (LHC), particularly in studies like the Higgs boson decay to two photons. Precise photon identification is essential for enhancing the sensitivity and accuracy of such measurements. This thesis focuses on the development of a machine learning (ML)-based photon identification algorithm to improve the photon identification efficiency within the ATLAS detector, using a Deep Neural Network (DNN) approach. The primary goal is to boost photon identification efficiency by using advanced neural network techniques. Traditional photon identification relies on cuts applied to shower shape variables, which can limit the effectiveness of separating prompt photons from background signals. To overcome this, a new ML-based identification algorithm using a DNN is proposed, building on previous research that demonstrates improvements in photon identification through neural networks. This work investigates the optimization of photon identification efficiency by training a DNN with shower shape variables to differentiate between prompt and background photons. The performance of the ML-based algorithm is benchmarked against the traditional cut-based approach. The data comes from Monte Carlo Simulations.
Arabic Abstract
قياس وتحسين كفاءات تحديد الفوتون باستخدام تقنيات التعلم الآلي في كاشف ATLAS في LHC
تلعب الفوتونات دورا هاما في العديد من التحليلات التي تُجرى في مصادم الهادرونات الكبير (LHC)، وخاصةً في الدراسات المتعلقة بانحلال بوزون هيجز إلى فوتونين. يعد التحديد الدقيق للفوتونات ضروريا لتعزيز الحساسية ودقة القياسات. يركز هذا العمل على تطوير خوارزمية جديدة لتحديد الفوتونات تعتمد على تقنيات التعلم الآلي (ML)، باستخدام شبكة عصبية عميقة (DNN) ، وذلك بهدف تحسين كفاءة تحديد الفوتونات في كاشف ATLAS. الهدف الرئيسي هو تعزيز كفاءة تحديد الفوتونات باستخدام تقنيات الشبكات العصبية العميقة.
يعتمد تحديد الفوتونات التقليدي على تطبيق قيود على متغيرات شكل التفاعل، مما قد يحد من التمييز بين الفوتونات الأولية والإشارات الخلفية. للتغلب على ذلك، تم اقتراح خوارزمية جديدة مبنية على التعلم الآلي لتحديد الفوتونات، مستندةً إلى الشبكات العصبية العميقة. مستندةً إلى أبحاث سابقة، أظهرت هذه الشبكات تحسنات كبيرة في تحديد الفوتونات عبر الشبكات العصبية.
يهدف هذا العمل إلى تحسين كفاءة تحديد الفوتونات من خلال تدريب شبكة عصبية عميقة باستخدام متغيرات شكل الرشة الكهرومغناطيسية لتمييز الفوتونات الأولية عن الخلفية. تتم مقارنة نتائج الشبكة العصبية العميقة بالطريقة التقليدية المبنية على القطوع. البيانات المستخدمة مأخوذة من محاكاة مونت كارلو.
Recommended Citation
Mahboub, Abdulla Esam, "MEASUREMENT AND IMPROVEMENT OF PHOTON IDENTIFICATION EFFICIENCIES USING MACHINE LEARNING TECHNIQUES IN THE ATLAS DETECTOR AT THE LHC" (2025). Theses. 1330.
https://scholarworks.uaeu.ac.ae/all_theses/1330