Zavala Torres, Javier Alejandro2025-06-092025-06-092022-01https://repositorio.usm.cl/handle/123456789/75256Measurements related to high-energy physics events producing a pair of tau particles are essential to search for new physics because it is one of the most important ecays of the Higgs boson. Scientists in CERN’s ATLAS experiment are working on the development of algorithms dedicated to the identifica􀆟on of pairs of tau particles. This work focuses on the development of a computational algorithm for identifying the generation of a pair of tau particles of the type boosted, which includes (i) reduc􀆟on and validation of the data set composed of the pair signal of taus boosted and the background corresponding to hadron jets (ii) development of an algorithm based on deep neural networks to classify events into signal or background, (iii) validation of the proposed method and comparison with the current solution. The experiments carried out resulted in an F1 score of 0.989, reaching 99.9 % of the current solution, and a background rejection of 9, 460 · 102 was obtained for the working point very loose with signal efficiency 0.95, reaching 74.6 % of the current solution.Mediciones relacionadas con los eventos de física de altas energías que producen un par de partículas tau es fundamental en la búsqueda de nueva física, debido a que es uno de los decaimientos más importantes del bosón de Higgs. Científicos en el experimento TLAS de CERN trabajan en el desarrollo de algoritmos dedicados a la identificación del par de partículas tau. Este trabajo se enfoca en el desarrollo de un algoritmo computacional para la identificación de la generación de un par de partículas tau del tipo boosted, lo que incluye (i) reducción y validación del conjunto de datos compuesto por la señal de pares tau boosted y el background correspondiente a jets de hadrones (ii) desarrollo de un algoritmo basado en redes neuronales profundas para clasificar los eventos en señal o background, (iii) validación del método propuesto y comparación con la solución actual. Los experimentos realizados mostraron que se obtuvo un F1 score de 0.989, alcanzando en un 99.9 % a la solución actual, y se obtuvo un background rejec􀆟on de 9.460 · 102 para el working point very loose con eficiencia de señal 0.95, alcanzando en un 74.6 % a la solución actual.75 páginasenDeep neural networksMachine learningMultipurpose particle detectorAprendizaje automáticoRedes neuronales profundasDetector de partículas multipropósitoinfo:eu-repo/semantics/openAccess3560900287942