This report introduces a signal discrimination framework for particle physics processes, including a novel ensemble learning method using multiple machine learning models. The framework is tested with a signal region of the Higgs boson decay channel H → WW∗ → lνlν with two or more jets. The final state consists of leptons with the same flavor but opposite electrical charges, and the Higgs bosons are produced by Vector-boson fusion (VBF). The background region consists of the three largest processes with the same final state without originating from the signal process. Multiple models are trained and evaluated on Monte Carlo samples corresponding to a subset of the full Run 2 dataset of proton-proton collisions recorded by the ATLAS experiment at CERN’s Large Hadron Collider (LHC). The analysis in this report shows that ensemble methods improve background rejection leading to increased discrimination between the signal and background region compared with individual machine learning models.

Denna rapport introducerar ett ramverk för signalseparering för processer inom partikelfysik, inklusive en ny ensemblemetod. Ensemblemetoden använder sig av flera maskininlärningsmodeller. Ramverket testas med en signalregion bestående av en sönderfallskanal för Higgsbosonen H → WW∗ → lvlv med två eller flera jets. Leptonerna i sluttillståndet är av samma typ men motsatt laddning. Higgsbosonerna produceras genom så kallad "Vector-boson fusion (VBF)". Bakgrundsregionen innehåller de tre största processerna som har samma sluttillstånd utan att komma ifrån signalprocessen. Flertal modeller tränas och utvärderas på Monte Carlo-simuleringar som motsvarar en delmängd av hela Run 2-datasetet bestående av proton-proton kollisioner som samlats in av ATLAS-experimentet vid CERNs Large Hadron Collider (LHC). Rapporten visar att ensemblemetoden förbättrar bakgrundsidentifieringen vilket leder till förbättrad separation mellan signal- och bakgrundsregionen jämfört med individuella maskininlärningsmodeller.