Resumen de Measurement of the W cq/W qq' qq0 decay branching fraction ratio with the CMS detector at the LHC and Uncertainty estimation of machine learning models in particle physics

Julia Vázquez Escobar

• español

  La Física de Partículas trata de comprender la estructura fundamental de la materia y cómo interactúa entre sí, para ello, como ciencia experimental, debe apoyarse en medidas experimentales que hagan avanzar el campo. El modelo estándar (ME) proporciona un marco teórico para describir las partículas elementales e interacciones entre ellas. El LHC incluye una serie de experimentos, entre ellos CMS, que permite la realización de medidas de precisión del ME. Esta tesis se centra en poner a prueba la universalidad débil en el contexto del ME, una propiedad sugerida para quarks por Cabibbo y extendida por Kobayashi y Maskawa para explicar las transiciones entre quarks tipo ”up” y ”down” a través de interacciones débiles. Estas probabilidades de transición, que se encuentran en la matriz CKM, son determinadas experimentalmente. Esta tesis presenta una medida de la tasa de producción de quarks de tipo charm en decaimientos de bosones W, relativa al decaimiento a quarks de otros sabores, caracterizada por la razón de fracciones de desintegración RW c = B(W ! cq)=B(W ! qq0). Según el ME, RW c debería resultar 1/2, por lo que medir esta predicción es una manera directa de poner a prueba la condición unitaria de la matriz CKM y la universalidad débil. El análisis desarrollado usa una muestra amplia de bosones W en el contexto de eventos tt semileptónica, en los que uno de los bosones W decae leptónicamente y el otro hadrónicamente. La clasificación de eventos de tipo charm es crucial para esta medida, se hace identificando muones dentro de jets, una característica de jets provinientes de quarks de sabor pesado. Esta técnica nos permite obtener una muestra charm limpia y controlar la sistemática asociada, concluyendo en una determinación de RW c precisa. Esta medida reduce la incertidumbre de la media mundial vigente a aproximadamente la mitad, haciendo de ésta un avance notable en precisión. Además, esta tesis explora la estimación de incertidumbre para el uso de machine learning en Física de Partículas. Se han aplicado técnicas de aproximación de redesneuronales bayesianas, random forest probabilístico y local ensembles a datos abiertos de CMS, subrayando la importancia de obtener resultados robustos estimando la posible incertidumbre que pueda ocasionar el uso de herramientas computacionales de inteligencia artificial

• English

  Particle physics aims to understand the fundamental structure of matter and its interactions, relying on precise experimental measurements for its progress. The Standard Model (SM) provides the theoretical foundation for describing elementary particles and their interactions. The Large Hadron Collider and its experiments, particularly CMS, enable precise tests of the SM. This thesis focuses on testing weak universality within the SM, proposed for quarks by Cabibbo and extended by Kobayashi and Maskawa, to explain transitions between up-type and down-type quarks via weak interactions. The probability of these transitions, encoded in the CKM matrix, is determined experimentally. This thesis presents a measurement of the charm quark production rate in W decays relative to other quark flavors, quantified by the branching fraction ratio RW c = B(W ! cq)=B(W ! qq0).

  According to SM, RW c is expected to be 1/2, making its measurement a direct test of CKM unitarity and weak universality. The analysis utilizes a large sample of W bosons produced in tt events, where one of the W bosons decays leptonically and the other hadronically.

  Charm quark identification, or ”charm tagging,” is crucial for this measurement and involves identifying a muon within jets originating from charm hadron decays. This technique provides a clean sample with well-controlled systematics, enabling a more precise determination of RW c . The measurement presented reduces the uncertainty of the current world average by approximately half, marking a significant advancement in precision tests of the SM. Furthermore, this thesis explores uncertainty estimation in particle physics using machine learning techniques. By applying Bayesian neural networks, probabilistic random forests, and local ensembles to CMS open data, this work underscores the importance of reliable uncertainty estimation in enhancing the robustness of analyses using modern computational tools