Automated Optimization of an ATLAS Search for Higgs Boson Pair Production at the LHC

Analysen in der Teilchenphysik sind von Natur aus komplex und erfordern die Verarbeitung großer Datensätze durch eine Kette vieler voneinander abhängiger Schritte. Ziel dieser Analysen ist es typischerweise, ihre Sensitivität gegenüber potenziellen Signalen zu optimieren. Aufgrund des schrittweisen Arbeitsablaufs müssen Optimierungen jedoch häufig auf Näherungen der finalen Analysesensitivität zurückgreifen. Dies führt zu umfangreichen Re-Optimierungen, die ein sorgfältiges Abwägen zwischen Selektionskriterien, der Berücksichtigung von Unsicherheiten und der Wahrung einer sinnvollen statistischen Analyse erfordern. In dieser Arbeit wird neural end-to-end-optimized summary statistics (NEOS) als neuartiger, automatisierter Ansatz für diesen Prozess untersucht. Erstmals wird diese Methode auf eine vollumfängliche Analyse in einer Suche nach paarweise produzierten Higgs-Bosonen angewandt, die durch die Fusion von Vektorbosonen erzeugt werden und in einen Endzustand mit vier b-Quarks zerfallen. Ein dediziertes Optimierungsframework namens auTOMATed Optimization of Sensitivity (TOMATOS) wird eingeführt, das eine einheitliche Analyseoptimierung ermöglicht, die direkt auf die Sensitivität der Analyse abzielt. Ein Vergleich der automatisierten mit den traditionellen Methoden zeigt gleichwertige Ergebnisse. Diese Arbeit präsentiert die neuesten erwarteten ATLAS-Einschränkungen für die $\kappa_\mathrm{2V}$-Higgs-Kopplung basierend auf den Daten von Run 2: $0.47 < \kappa_\mathrm{2V} < 1.55$.