Soutenance de thèse de NEELAM KUMARI

La découverte du boson de Higgs en 2012 est un succès majeur du Large Hadron Collider (LHC) au CERN. Grâce aux jeux de données plus importants collectés au LHC depuis, des mesures de précisions des propriétés du boson de Higgs sont possibles, en estimant ses sections efficaces de production et ses taux de désintégration en différentes particules. La production du boson de Higgs en association avec une paire de quarks top, suivie d’une désintégration du boson de Higgs en paire de quarks bottom, ttH(bb), permet une mesure directe du couplage de Yukawa du quark top. Ce couplage Higgs-fermion est le plus élevé dans le Modèle Standard (MS) et sa mesure précise peut mettre en évidence de la nouvelle physique. Le processus ttH(bb) présente un état final complexe avec au moins quatre jets de b et requiert une méthode d’identification des jets de b sophistiquée, appelée b-tagging, non seulement cruciale pour le processus ttH(bb) mais aussi pour la majorité des analyses de physique d’ATLAS. En vue de l’opération du détecteur ATLAS dans les conditions du LHC à haute luminosité, le trajectographe central sera mis à jour pour garantir de hauts niveaux de performance. Cette thèse présente les performances des algorithmes de b-tagging, en se focalisant sur les algorithmes basés sur les paramètres d’impact ou les vertex secondaires, avec des simulations du Inner Tracker (ITk) d’ATLAS mis à jour. Une réoptimisation des algorithmes de b-tagging est effectuée et son impact sur les performances est également présenté. L’analyse ttH(bb) présentée dans cette thèse est effectuée sur la base de 139 fb-1 de données collectées par ATLAS au Run 2 à une énergie dans le centre de masse de √s=13 TeV et tire parti des algorithmes les plus récents de reconstruction et d’identification des objets. Ce canal a le rapport de branchement le plus élevé et permet la reconstruction cinématique du boson de Higgs. Cependant la grande multiplicité du nombre de jets de b due aux produits de désintégration supplémentaires du quark top rend nécessaires des stratégies d’analyse dédiées basées sur le machine learning. Des approches d’analyse multivariée basées sur des Deep Neural Networks (DNNs) ont été développées pour améliorer la sensibilité de l’analyse en contraignant les sous-composantes du bruit de fond ttbb dominant. Cette thèse présente une comparaison des performances des DNNs avec celles de Boosted Decision Trees (BDTs) utilisés jusqu’à présent. La mesure de l’intensité du signal, définie comme le rapport de la section efficace mesurée par celle prédite dans le MS, est effectuée de façons inclusive et différentielle par rapport à l’impulsion transverse du boson de Higgs, en utilisant l’approche Simplified Template Cross-Section (STXS). La sensibilité au signal ttH par rapport au bruit de fond du MS attendu en utilisant les algorithmes DNN est de 2.76 déviations standard, comparée à 2.64 déviations standard avec les BDTs.

The discovery of the Higgs boson in 2012 was a major success of the Large Hadron Collider (LHC) at CERN. With larger datasets collected at the LHC since then, precise Higgs measurements are achievable by estimating the production cross-sections of the Higgs boson and its decay rate into different particles. The Higgs boson production in association with a pair of top quarks in which the Higgs decays into a pair of bottom quarks, ttH(bb), allows direct measurement of the Top-Yukawa coupling. This fermion-Higgs coupling is the strongest in the Standard Model (SM), and measuring this precisely can shed light on new physics. The ttH(bb) process has a challenging final state with at least four b-jets and requires a sophisticated b-jet identification method known as b-tagging, which is not only crucial for the ttH(bb) process but also for the majority of ATLAS physics analyses. In view of the operation of the ATLAS detector under High-Luminosity LHC conditions, the central tracking system will be upgraded to maintain high levels of performance. This thesis presents the performance of the b-tagging algorithms focusing on Impact Parameter (IP)-based and Secondary Vertex (SV)-based taggers using the updated ATLAS Inner Tracker (ITk) simulation. Some re-optimization of the b-taggers is performed and its impact on the performance is also presented. The ttH(bb) analysis presented in this thesis is performed using 139 fb-1 of ATLAS full Run 2 data at a center-of-mass energy of √s=13 TeV and takes advantage of the most recent object performance algorithms. This channel has the highest branching ratio and allows the kinematic reconstruction of the Higgs boson. However, the high b-jet multiplicity due to additional top quark decay products requires dedicated analysis strategies based on machine learning. Multivariate analysis approaches using Deep Neural Networks (DNNs) were developed to improve the search sensitivity while constraining large ttbb background subcomponents. This thesis presents a comparison of DNN performance with the one of the previously used Boosted Decision Trees (BDTs). The measurement of the signal strength, defined as the ratio of the measured cross-section over the predicted cross-section in the SM, is performed inclusively and differentially with respect to the Higgs boson transverse momentum, using the Simplified Template Cross-Section (STXS) approach. The expected significance of the ttH signal over the expected SM background using DNN discriminants is 2.76 standard deviations, compared to 2.64 standard deviations using BDTs.