Speakers
Description
Gli algoritmi di identificazione di adroni pesanti utilizzati dall’esperimento ATLAS al CERN Large Hadron Collider sono oggi basati su architetture di machine learning della famiglia GN2. Per il loro utilizzo nelle analisi di fisica è necessario misurarne l’efficienza direttamente sui dati.
La calibrazione del tagger GN2v01 per l’identificazione dei b-jet viene effettuata utilizzando eventi multijet in cui i jet sono associati a muoni, sfruttando il decadimento semileptonico dei quark b. Grazie all’elevata sezione d’urto dei processi multijet, questo metodo consente di estendere la misura dell’efficienza alla regione di alto impulso trasverso, oltre il dominio tipicamente accessibile con campioni $t\bar{t}$.
Viene inoltre presentata la strategia di calibrazione dell’algoritmo GN2X per getti a largo raggio (R = 1.0) sfruttando il picco della Z. Tuttavia, l’elevato fondo da QCD rende questa analisi particolarmente complessa e richiede metodologie dedicate. L'efficienza dell'algoritmo viene ottenuta eseguendo il rapporto tra il rate di eventi nel canale $Z \to b\bar{b}$, che prevede l'estrazione del segnale tramite GN2X, e il rate di eventi nel canale $Z \to \ell^+\ell^-$, il quale viene poi scalato utilizzando il branching ratio $Z \to b\bar{b}$. I risultati preliminari utilizzano il dataset completo del Run 2.