Study of b- and c-jets identification with quantum machine learning algorithms and application to the Higgs reconstruction

In this thesis, a new approach for jet flavour classification, between b- versus c-quark jets, based on Quantum Machine Learning techniques for the Higgs to ccbar studies is presented. Besides, the training of the model was carried out by using LHCb proton-proton collision simulated data at the center of mass energy of 13 TeV. The jet flavour classification accuracy was tested as a function of the jet transverse momentum and the jet pseudorapidity between the Quantum Machine Learning model and the classical machine learning model, where the b-quark jet test accuracy shows the most similar classification results between the QML method and the classical ML method. Later, this model was used to study the sensitivity of the Higgs boson decay into a pair of b-quarks and the Higgs boson decay into a pair of c-quarks using samples of LHCb simulated data corresponding to the integrated luminosity of the Run 2. Either the quantum machine learning method or the classical machine learning model gave an improvement in the significance for the Higgs to ccbar observation. At the point of maximum significance improvement, the efficiency and mistagging efficiency were evaluated as functions of the jet transverse momentum, jet pseudorapidity and dijet invariant mass obtaining comparable performances between the quantum machine learning model and the classical machine learning model. In spite of the quantum machine learning is a technique at its early stage, the obtained results are encouraging to continue with the research in this field looking for a better performance.

In questa tesi viene presentato un nuovo algoritmo per la classificazione del sapore dei getti adronici ad LHCb, basato su tecniche di calcolo quantistico applicate all’intelligenza artificiale. L’algoritmo è stato sviluppato per distinguere i getti prodotti dai quark bottom e charm, ed è stato applicato alla ricerca del decadimento del bosone di Higgs in due quark charm (H->c c-bar). In questo studio sono stati utilizzati i dati simulati delle collisioni protone-protone ad LHCb, ad un’energia nel centro di massa di 13 TeV. L'accuratezza della classificazione è stata testata in funzione della cinematica dei getti adronici, e le prestazioni dell’algoritmo quantistico sono state confrontate con con quelle di un classico algoritmo di intelligenza artificiale. In particolare i due tipi di algoritmi mostrano prestazioni confrontabili. Successivamente, entrambi i modelli sono stati utilizzati per studiare la sensitività di LHCb nella ricerca dei decadimenti H->bb-bar e H->cc-bar. Entrambi i metodi hanno mostrato un incremento di sensitività rispetto a quello basato sulla ricostruzione dei vertici di decadimento degli aironi b e c, utilizzato nelle precedenti analisi di LHCb. Anche in questo caso sono state ottenute prestazioni confrontabili tra l’algoritmo di intelligenza artificiale quantistico e quello classico. Nonostante lo studio degli algoritmi quantistici sia alle fasi iniziali, i risultati ottenuti sono incoraggianti per continuare la ricerca in questo campo.