At the CMS experiment at the Large Hadron Collider (LHC), a two-level trigger system is used to decide which collision events to store for later offline analysis. Strict latency, resource and rate constraints limit the selection efficiency for signal processes, e.g. with low momentum transfer. With the even more challenging High Luminosity LHC (HL-LHC) environment this the situation becomes more critical. To handle the the harsh experimental conditions of the current LHC and future HL-LHC novel strategies based on neural networks are developed. The subject of this thesis is the development of a neural network based trigger inside the Level 1 Trigger system of the CMS experiment to increase the signal efficiency of the Vector Boson Fusion production of a Higgs boson decaying into invisible particles. Neural network based trigger algorithms offer a gain in signal efficiency, the possibility to probe phasespaces that are currently not covered by the traditional trigger strategies, and fulfil the strict resource and latency constraints.
Das CMS Experiment am Large Hadron Collider (LHC) benutzt ein zweistufiges Triggersystem, um zu entscheiden, welche Teilchenkollisionen für die Offlineanalyse gespeichert werden. Strenge Latenz-, Ressourcen- und Ratenbeschränkungen limitieren die Selektionseffizienz für Signalprozesse z.B. mit niedrigem Momentumtransfer. Mit dem noch anspruchsvolleren High Luminosity LHC (HL-LHC) Konditionen verschlechtert sich dies weiter. Um mit den derzeitigen LHC und zukünftigen HL-LHC Konditionen umzugehen werden neue Strategien, basierend auf neuronalen Netzen, entwickelt. Das Thema dieser Arbeit ist die Entwicklung eines auf neuronalen Netzen basierenden Triggers im Level 1 Trigger System des CMS Experiments, um die Signaleffizienz für die Vektor Boson Fusion eines Higgs Bosons, welches in unsichtbare Teilchen zerfällt zu erhöhen. Triggeralgorithmen die auf neuronalen Netzen basieren ermöglichen einen Signaleffizienzgewinn, die Untersuchung von Phasenräumen, die derzeit nicht von den traditionellen Triggerstrategien abgedeckt werden und erfüllen die strengen Resourcen- und Latenzbeschränkungen.