Algoritmi di flavor tagging per misure di violazione CP in CMS

This thesis presents the development of four flavor tagging algorithms to be used in CP violation measurements in CMS. Flavor tagging is an essential tool for CP violation measurement, which often rely on the knowledge of both the initial and final flavor of a meson. Three of the algorithm presented use the production of $b$ quarks as \bbar pairs and analyze the $b$-hadron unrelated to the signal, while the last one examines the hadronization of the signal meson to infer its flavor. The last algorithms is specifically novel in its kind, as it does not make use of particle identification for the inference or the selection of the input features. All taggers examined are based on Deep Neural Networks and are developed and calibrated using reconstructed \Bsjpsiphi and \BujpsiK decays. The performance of the taggers is evaluated in a dataset corresponding to \intL collected in proton-proton collisions at $\sqrt{s} = 13$~TeV during the years 2017 and 2018 by the CMS experiment. After combination of the various algorithms, the total tagging power \Ptag is estimated to be $\Ptag = 5.59 \pm 0.02$\%. With this combination, a $\sim30\%$ subset of the data sample is used in a time-dependent angular analysis for a measurement of the CP violating phase \phis, obtaining a result of $\phis = −21 \pm 42\text{(stat.)}\:\text{mrad}$. A suite of tagging related systematic uncertainties is evaluated on the measurements, showing them to be negligible compared to the statistical uncertainty and to the intrinsic model bias of the fitting procedure.

Questa tesi presenta lo svilupppo di quattro algoritmi di tag da usare in misure di violazione CP in CMS. Il flavor tagging \`e uno strumento essenziale nelle misure di violazione di CP, che spesso sfruttano la conoscenza del flavor sia iniziale che finale. Tre degli algoritmi presentati fanno uso della produzione di quark $b$ come coppie \bbar e analizzano il l'adrone B scorrelato con il segnale, mentre il quarto esamina l'adronizzazione del mesone di segnale per dedurre il suo flavor. Quest'ultimo algoritmo \`e in particolare nuovo nel suo genere, in quanto non fa uso di informazioni sull'identit\`a delle particelle per l'inferenza o per la selezione delle feature di input. Tutti i tagger esaminati sono basati su Deep Neural Networks e sono sviluppati e calibrati usando decadimenti ricostruiti di \Bsjpsiphi e \BujpsiK. La performance dei tagger \`e valutata in un dataset corrispondente ad una luminosit\`a integrata di \intL, raccolto in collisioni protone-protone a $\sqrt{s} = 13$~TeV negli anni 2017 e 2018 dall'esperimento CMS. Dopo la combinazione dei vari algoritmi, il tagging power totale \`e stimato essere $\Ptag = 5.59 \pm 0.02$\%. Usando la combinazione dei tagger, $\sim30\%$ del sample di dati \`e usato in una analisi angolare dipendente dal tempo per una misura della fase di violazione CP \phis, ottenendo un risultato di $\phis = −21 \pm 42\text{(stat.)}\:\text{mrad}$. Una serie di incertezze sistematiche legate al tagging \`e valutato sulla misura, mostrando che sono trascurabili rispetto all'incertezza statistica e al bias intrinseco della procedura di fit.