MV and ML analysis

     Przeprowadz zostanie analiza optymalizacji identyfikacji elektronów
     w detektorze ATLAS z wykorzystaniem informacji z kształtu depozytów energii
     w kalorymetrze oraz charakterystyki zrekonstruowanych śladów.

     Dane eksperymentalne: link
    Dane Monte Carlo: link


     Pakiet root: link

    Opis opublikowanej analizy eksperymentu ATLAS ktorej fragmenty
    bedziemy chcieli zrealizowac, arXiv: 1110.3174
 

    Etapy analizy:
 
    --> informacja o odpowiedzi triggera (tabelka)
           Bool_t          EF_g20_etcut_xe30_noMu;
           Bool_t          EF_xs60_noMu_L1EM10XS45;
           Bool_t          EF_xs75_noMu_L1EM10XS50;
           Bool_t          EF_e13_etcut_xs60_noMu;
           Bool_t          EF_e13_etcut_xs60_noMu_dphi2j10xe07;
           Bool_t          EF_g20_etcut;
           Bool_t          EF_g11_etcut;
           Bool_t          EF_e15_tight;
           Bool_t          EF_e20_medium;
           --> krotność zrekonstruowanych wierzchołków z 3 śladami  (histogram)
           Int_t             count3vx;

     -->zmienne kinematyczne elektronu
          Float_t         el_cl_Et      - energia poprzeczna wyliczona na podstawie informacji
                                                    z kalorymetru
          Float_t         el_cl_eta     - pseudorapidity
          Float_t         el_cl_phi     - kat azymutalny w plaszczyznie prostopadlej do osi beamu

          Float_t         el_charge;
  ladunek elektronu

    --> identyfikacja zastosowana przez eksperyment (ciecia)
          Int_t           el_loose     = 1
          Int_t           el_medium = 1
          Int_t           el_tight     
= 1

    --> zmienne charakteryzujace zrekonstruowany ślad
          Int_t           el_nBLHits;
          Int_t           el_nPixHits;
          Int_t           el_nSCTHits;
          Int_t           el_nTRTHits;
          Int_t           el_nSiHits;
          Float_t       el_TRTHighTHitsRatio;

     -->zmienne charakteryzujace klaster kalorymetryczny
          Float_t         el_f1;
          Float_t         el_f3;
          Float_t         el_etas1;
          Float_t         el_etas2;
          Float_t         el_weta2;
          Float_t         el_Emax2;
          Float_t         el_emaxs1;
          Float_t         el_wstot;
          Float_t         el_Ethad;
          Float_t         el_Ethad1;
          Float_t         el_reta;
          Float_t         el_rphi;


           Dla elektronów w danych i Monte Carlo wprowadź dodatkowy warunek
           // remove events with non-good quality tracks
           if( el_nPixHits < 1 ||  el_nSiHits < 7 ) continue;

    --> training:
           tlo (fake electrons): w danych Monte Carlo wprowadź dodatkowy warunek

           bool  isLooseMatch = false;
           bool  isDirectMatch = false;
 
         definicje:   
           !isDATA &&  (el_origin == 12 ) ) isDirectMatch = true;
           if( !isDATA &&  (el_origin == 12 ) ) isLooseMatch = true;
           if( !isDATA &&  (el_type == 4 && el_originbkg == 40  ) ) isLooseMatch = true;
           if( !isDATA &&  (el_type == 4 && el_originbkg == 12  ) ) isLooseMatch = true;
           if( !isDATA && !isLooseMatch ) continue;
           //  checking on charge asymmetry
           if( !isDATA && !isDirectMatch ) continue;
           // only direct match + correct charge
           if( !isDATA && el_charge != chargeWBoson ) continue;

  Przygotuj  algorytm klasyfikujacy czy elektron jest prawdziwy (sygnal)



Ostatnia modyfikacja:   24 listopad  2020

Elzbieta Richter-Was


Wstecz