Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων

Transcript

1 Υπολογιστική Φυσική Στοιχειωδών Σωματιδίων 4ο Εξάμηνο Διακριτική ικανότητα ανιχνευτή-υπόβαθρο- Υπολογισμός του σήματος Διδάσκοντες : Χαρά Πετρίδου Δημήτριος Σαμψωνίδης 18/4/2005 Υπολογ.Φυσική ΣΣ 1

2 Περιεχόμενα Οι ανιχνευτές μας ΔΕΝ είναι τέλειοι : πρέπει να πάρουμε υπ όψη Την διακριτική ικανότητα του ανιχνευτή Τον τρόπο επιλογής των γεγονότων (selection critiria) Την απόδοση στην επιλογή των γεγονότων και την καθαρότητα των γεγονότων (efficiency vs purity) Τηνσυμβολήτωνδιαφόρωνπηγών υποβάθρου (backgrounds) 18/4/2005 Υπολογ.Φυσική ΣΣ 2

3 Ορισμοί Διακριτική ικανότητα: το πλάτος της κατανομής (reconstructed/generated) Purity : το κλάσμα των γεγονότων σήματος σε ένα bin προς αυτά που μετρήσαμε σ αυτό το bin. P=Ns/Nr Aπόδοση : ε=ns/ng : Ο αριθμός των γεγονότων σήματος που μετρήσαμε πρός τον συνολικο αριθμό που δημιουργήσαμε με προσομοίωση (generated) Stability : Ns/Ngr :Tο πλήθος των γεγονότων σήματος w.r.t. bin migrations 18/4/2005 Υπολογ.Φυσική ΣΣ 3

4 Διακριτική ικανότητα Στη βαθειά ανελαστική σκέδαση π.χ. ΗERA, μετρούμε ποσότητες κινηματικής και συγκρίνουμε με ΜC 18/4/2005 Υπολογ.Φυσική ΣΣ 4

5 Διακριτική ικανότητα Έστω η ποσότητα y για το σκεδαζόμενο ηλεκτρόνιο Την υπολογίζουμε πειραματικά για γωνία σκέδασης θ και συγκρίνουμε με τo Μonte Carlo 18/4/2005 Υπολογ.Φυσική ΣΣ 5

6 Διακριτική ικανότητα 18/4/2005 Υπολογ.Φυσική ΣΣ 6

7 Διακριτική ικανότητα Σύγκριση φ και η των q (q-bar) generated, με τα φ και η των ανακατασκευασμένων jets 18/4/2005 Υπολογ.Φυσική ΣΣ 7

8 Διακριτική ικανότητα στο καλορίμετρο 18/4/2005 Υπολογ.Φυσική ΣΣ 8

9 Διακριτική ικανότητα στο καλορίμετρο Αντί ΜC, σύγκριση της ορμής σωματιδίου με την ενέργεια στο καλορίμετρο 18/4/2005 Υπολογ.Φυσική ΣΣ 9

10 Αcceptance O ανιχνευτής μας είναι σχεδόν αδύνατον να έχει γεωμετρία 4π. Υπολογίζουμε την ενεργό του επιφάνεια Παρόμοια χρειάζεται να υπολογίσουμε και τον νεκρό του χρόνο με προσομοίωση 18/4/2005 Υπολογ.Φυσική ΣΣ 10

11 Αcceptance μ cosθ 18/4/2005 Υπολογ.Φυσική ΣΣ 11

12 Detector acceptance corrections 18/4/2005 Υπολογ.Φυσική ΣΣ 12

13 H επιλογή των γεγονότων Τα δεδομένα ενός πειράματος έχουν γεγονότα απο διαφορετικές αλληλεπιδράσεις Γιαναμελετήσουμεμία, πρέπει να επιλέξουμε τον αντιστοιχο τύπο γεγονότων π.χ. : Ζ decays at LEP, with hadrons in final state έστω οτι επιλέγουμε Ζ->qq-bar 18/4/2005 Υπολογ.Φυσική ΣΣ 13

14 H στρατηγική Επιλέγουμε μεταβλητές που βοηθούν να ξεχωρίσουμε τις διάφορες αλληλεπιδράσεις Π.χ. Στο προηγούμενο παράδειγμα το πλήθος των φορτισμένων σωματιδίων Χρησιμοποιούμε ΜC γιαναμελετήσουμετην μεταβλητή και να ορίσουμε cut Ncut Επιλέγουμε γεγονότα με Nch>Ncut ώστε το δείγμα να εμπλουτιστεί σε Ζ->qq-bar και να αποκλείσουμε διασπάσεις από ταυ 18/4/2005 Υπολογ.Φυσική ΣΣ 14

15 H στρατηγική 18/4/2005 Υπολογ.Φυσική ΣΣ 15

16 H στρατηγική 18/4/2005 Υπολογ.Φυσική ΣΣ 16

17 H στρατηγική 18/4/2005 Υπολογ.Φυσική ΣΣ 17

18 Οι συνέπειες Θα απορρίψουμε μερικά καλά γεγονότα Θα συμπεριλάβουμε μερικά κακά γεγονότα 18/4/2005 Υπολογ.Φυσική ΣΣ 18

19 Τυπικά αποτελέσματα από ΜC Ποιό σημείο θα επιλέξουμε? εξαρτάται από την ανάλυση. 18/4/2005 Υπολογ.Φυσική ΣΣ 19

20 Παράδειγμα purity και stability 18/4/2005 Υπολογ.Φυσική ΣΣ 20

21 Μέτρηση της ενεργού διατομής Μετά την επιλογή γεγονότων θα υπολογίσουμε την ενεργό διατομή για Ζ-> qq-bar->hadrons 18/4/2005 Υπολογ.Φυσική ΣΣ 21

22 Μέτρηση της ενεργού διατομής επιλογή των Cuts Το επιθυμητό είναι ελάχιστο σφάλμα στην ενεργό διατομή => strong cut -> high purity-> low efficiency-> μικρό αριθμό γεγονότων -> μεγάλο σφάλμα => loose cut -> low purity-> high efficiency - >μεγάλο αριθμό γεγονότων ΑΛΛΑ και large backgrounds Το πιο πιθανό : large systematic uncertainties (from limited theoretical knowledge of background distributions) 18/4/2005 Υπολογ.Φυσική ΣΣ 22

23 Systematic Uncertainties Δεν έχουν στατιστική φύση Πρόκειται για biases στην μέθοδο ανάλυσης Παράδειγμα: χρησιμοποιούμε το Nbckg από MC. Το MC έχει λάθος υπολογισμό στην ενεργό διατομή του υποβάθρου: Nbckg(MC)=Nbckg(true) + Δ σ = (Νsel - Nbckg(true)-Δ) / (ε * Lint) Και άρα η μέτρηση θα είναι συσηματικά μικρότερη κατά : Δ / (ε*lint) Αυτό δεν αλλαζει αν αυξηθεί η στατιστική μας 18/4/2005 Υπολογ.Φυσική ΣΣ 23

24 Systematic Uncertainties Τα συστηματικά σφάλματα προέρχονται επίσης απο Μοnte Carlo estimates of purity and efficiency 18/4/2005 Υπολογ.Φυσική ΣΣ 24

25 Cut variations Αν το Monte Carlo είναι τέλειο το αποτέλεσμα ΔΕΝ θα πρέπει να αλλαζει αν αλλαξουμε τα cuts 18/4/2005 Υπολογ.Φυσική ΣΣ 25

26 Τύποι μεταβλητών για την Επιλογή των γεγονότων Συνήθωςχρησιμοποιούμεπάνωαπό μια μεταβλητή για να επιλέξουμε τα γεγονότα Κάποιες μέθοδοι χρησιμοποιούν συνδυασμό μεταβλητών/cuts Likelihood methods Neural networks 18/4/2005 Υπολογ.Φυσική ΣΣ 26

27 Search for resonances Use invariant mass Define selection region Compute efficiency = N (true resonance decays, which are selected) / N (all true resonance decays) Compute background : Possible to estimate from side bands (No MC needed) 18/4/2005 Υπολογ.Φυσική ΣΣ 27

28 Search for New Particles Choose selection variables which enhance the signal w.r.t. background Combine a set of variables into a single estimator Στρατηγική: choose cuts to obtain BEST expected limit for the hypothesis: background only OR : BEST Signal to Background ratio (signal significance) 18/4/2005 Υπολογ.Φυσική ΣΣ 28

29 Search for New Particles 18/4/2005 Υπολογ.Φυσική ΣΣ 29