Development and calibration of an s-tagging algorithm and its application to constrain the CKM matrix elements |Vts| and |Vtd| in top-quark decays using ATLAS Run-2 Data

Abstract

In this thesis, the development and calibration of an algorithm used to identify jets from strange quarks as well as a measurement constraining the CKM matrix elements $|V_{ts}|$ and $|V_{td}|$ in top-quark decays are presented. The thesis considers data from proton-proton collisions at the Large Hadron Collider at a center-of-mass energy of 13 TeV recorded by the ATLAS Experiment during Run 2. First, the maximally achievable separation between jets from strange quarks and jets from down quarks at hadron colliders given different idealized detector designs is studied using recurrent neural networks containing Long Short-Term Memory layers. Afterwards, an algorithm to select jets from strange quarks for the application at the ATLAS Experiment is developed using deep neural networks. Its efficiency for these jets from strange quarks and mis-tag rates for jets of other flavors is determined in semileptonic decays of top-antitop pairs selected from data. The algorithm to identify jets from strange quarks is then applied in events containing decays of top-antitop pairs with an electron and a muon of opposite-sign electric charge in the final state in order to study its potential to constrain the CKM matrix elements $|V_{ts}|$ and $|V_{td}|$ in the two-dimensional plane spanned by them. In this study, limits of $|V_{ts}|^2+|V_{td}|^2<0.06$, $|V_{ts}|<0.21$, and $|V_{td}|<0.24$ are derived at 95% confidence level assuming unitarity of the CKM matrix.

Kurzfassung

Diese Dissertation befasst sich mit der Entwicklung und Kalibrierung eines Algorithmus zur Identifikation von Jets aus strange-Quarks sowie einer Messung zur Bestimmung von oberen Schranken auf die CKM-Matrixelemente $|V_{ts}|$ und $|V_{td}|$ in top-Quark-Zerfällen. In dieser Arbeit werden Daten aus Proton-Proton-Kollisionen am Large Hadron Collider, die bei einer Schwerpunktsenergie von 13 TeV am ATLAS-Experiment während des Run-2 aufgenommen wurden, verwendet. Zuerst wird die maximal mögliche Trennung von Jets aus strange-Quarks und Jets aus down-Quarks an Hadronenkollidern unter der Annahme einer Nutzung von unterschiedlichen, idealisierten Detektordesigns untersucht. Hierfür werden Recurrent Neural Networks verwendet, deren Hauptkomponente Long Short-Term Memory Layers sind. Anschließend wird ein Algorithmus zur Selektion von Jets aus strange-Quarks zur Anwendung am ATLAS-Experiment entwickelt, der Deep Neural Networks verwendet. Die Identifikationseffizienz dieses Algorithmus in Bezug auf Jets aus strange-Quarks und die Wahrscheinlichkeit, Jets eines anderen Ursprungs fehl zu identifizieren, werden in semileponischen Zerfällen von top-antitop-Paaren, die aus dem aufgenommenen Datensatz selektiert wurden, bestimmt. Schlussendlich wird der Algorithmus zur Identifikation von Jets aus strange-Quarks in Ereignissen angewendet, die dileponischen Zerfällen von top-antitop-Paaren mit einem Myon und einem Elektron im Endzustand beinhalten. Hierbei wird sein Potenzial in der Bestimmung von Schranken auf die CKM-Matrixelemente $|V_{ts}|$ und $|V_{td}|$ im zweidimensionalen Raum untersucht. Daraus folgen Schranken von $|V_{ts}|^2+|V_{td}|^2<0.06$, $|V_{ts}|<0.21$ und $|V_{td}|<0.24$ mit einem Konfidenzintervall von 95% unter der Annahme von CKM-Matrix-Unitarität.