Application de l'apprentissage automatique à l'analyse des jets Top+b dans l'expérience CMS

Les techniques d'apprentissage automatique sont devenues un outil essentiel dans les analyses modernes de physique des hautes énergies. Cette thèse explore plusieurs applications de l'apprentissage automatique dans le cadre de l'expérience CMS, en ciblant à la fois les limites au niveau des détecteurs et les analyses physiques. Tout d'abord, de nouveaux algorithmes d'identification des saveurs lourdes au niveau du déclencheur de haut niveau CMS sont développés et validés, permettant d'améliorer les performances de marquage des jets b dans le cadre de la troisième campagne d'expérimentation et des futures conditions du HL-LHC. Ensuite, des méthodes multivariées sont utilisées pour identifier des jets supplémentaires dans les événements tt̄bb̄, améliorant ainsi la précision des mesures impliquant la production de saveurs lourdes. Enfin, une approche basée sur un réseau neuronal est utilisée dans la recherche de quarks T vectoriels produits individuellement se désintégrant en un quark top et un boson de Higgs dans des états finaux entièrement hadroniques, ce qui permet d'obtenir une sensibilité améliorée par rapport aux sélections traditionnelles basées sur des coupes. Ensemble, ces développements illustrent l'impact de l'apprentissage automatique sur les performances des détecteurs et les analyses physiques au CMS.