Quark/gluon jet tagging

Abstract

Distinguishing between jets initiated by quarks and gluons is a challenging problem, yet very important for detailed studies of elementary particles and their interactions. This thesis will present a novel Deep Learning approach to this problem using a neural network architecture based on the Transformer model trained on the jet constituents. We improve the existing architectures used in different tagging tasks and show their ability to accurately distinguish between quark and gluon jets. By combining techniques from different fields of Deep Learning, we propose a Dynamically Enhanced Particle Transformer (DeParT) that can surpass the state-of-the-art results in the quark/gluon jet tagging task.

Pre správne pochopenie fyziky elementárnych častíc a ich interakcií je dôležité poznať, či je jet iniciovaný kvarkom alebo gluonom. Tento problém nie je jednoduchý kvôli podobným vlastnostiam kvarkových a gluonových jetov. V tejto práci ho riešime pomocou moderných techník Hlbokého uče- nia. Konkrétne využijeme neurónové siete založené na architektúre Transfor- meru, ktoré sú natrénované na konstituentoch jetu. Predchádzajúce archi- tektúry používané v rôznych tagovacích úlohách vylepšíme a demonštrujeme ich schopnosť presne rozlíšiť medzi kvarkovými a gluonovými jetmi. Predsta- víme novú architektúru Dynamically Enhanced Particle Transformer (De- ParT) ako kombináciu poznatkov z rôznych aplikačných oblastí Hlbokého učenia, ktorá prekoná výsledky všetkých predchádzajúcich modelov.