Machine Learning in QCD Jets

Abstract

Jactos são conjuntos de partículas colimadas que nascem de eventos de colisão de altas energias.São um paralelo experimental útil à fragmentação de partões altamente energéticos, os constituintesde toda a matéria hadrónica. Sendo os graus de liberdade fundamentais da CromodinâmicaQuântica (QCD), a evolução da fragmentação de partões em jactos pode ser compreendidacomo a sequência probabilística da emissão de partões. Os métodos de reagrupamento de jactostentam recuperar fenómenos que ditam esta evolução de “Parton shower”. Estas ferramentas dereconstrução têm sido muito utilizadas nas experiências de colisionadores de protão-protão como objetivo de compreender os alicerces de QCD.Os geradores de eventos Monte Carlo (MC) são amplamente usados na física de altas energias- simulam colisões experimentais e constroem técnicas essenciais para propor a estas experiências.Neste trabalho, fizemos uma análise comparativa das subestruturas criadas por dois mecanismosde parton shower implementados no gerador de eventos PYTHIA. Para isto geramos colisões deprotão-protão a energias de colisão do LHC e futuros aceleradores, identificamos as subestruturasobserváveis dos jactos Δ e κ, onde as distribuições eram afetadas pela escolha do mecanismo.Tendo identificado estas observáveis, construímos uma rede neuronal que seria treinadapara identificar qual dos mecanismos tinha sido usado para gerar um certo evento, usando asobserváveis anteriormente mencionadas como input. Este treino não teve um sucesso sginficativo,visto que a exactidão da rede se manteve estagnada, em parte devido às limitações da redeneuronal, mas também é o resultado de uma concordância notável entre os dois algoritmosdiferentes de simulação de chuveiro de partões.

Jets are collections of collimated particles that emerge from high-energy collision events. Theyare a useful experimental proxy for the fragmentation of a high-energy parton, the building blocksof all hadronic matter. Being the fundamental degrees of freedom of Quantum Chromodynamics(QCD), the evolution of parton fragmentation into jets can be understood as a probabilisticsequence of parton emissions. Jet reclustering methods attempt to recover QCD phenomenathat govern this parton shower evolution. These reconstruction tools have been heavily used inproton-proton collision experiments to understand the QCD building blocks.Monte Carlo (MC) event generators are widely used in High Energy Physics, to predictobservable distributions in collider experiments and are essential tools for these experiments.In this work, we made a comparative analysis of the jet substructure created by two differentparton shower algorithms implemented in the PYTHIA MC event generator. To this end, wegenerated proton-proton collisions at energies available at the LHC and future colliders, andidentified the jet substructure observables Δ and κ, where distributions were most affected bythe choice of the simulation algorithm.Having identified such observables, we built a Neural Network which would be try to identifywhich mechanism was used to generate a particular event, using the aforementioned observablesas input. This was unsuccessful, as accuracy was not improved, likely due to limitations withthe neural network, but also because both algorithms show notable agreement in the simulationof parton showers.iv