Ensinando máquinas a reconstruir matéria escura no LHC

• Ano de defesa: 2022
• Autor(a) principal: Yamaguchi, Carlos Hideo
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Fenomenologia de partículas; Aprendizado de máquina; Redes Neurais; k-Vizinhos mais próximos; Particle Phenomenology; Machine Learning; Neural network; k-Nearest Neighbors
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-10102022-084434/

Neutrinos, matéria escura, e partículas neutras de longas vidas médias atravessam os detetores despercebidos, carregando informação importante sobre as partículas pais e fontes de interação necessárias para reconstruir variáveis chaves como picos de ressonância em distribuições de massa invariante. Nesta dissertação, mostramos que um algoritmo de regressão de $k$-vizinhos mais próximos combinado com um classificador de rede neural profunda, um $k$NNNN, conseguem recuperar com precisão as distribuições de massa de pares $W^+W^-$ totalmente leptônicos de um novo bóson de Higgs pesado além dos seus backgrounds do modelo padrão a partir de informações observáveis disponíveis em detetores. Também aplicamos o $k$NNNN para o decaimento de um par de sléptons em léptons mais neutralinos, um candidato a matéria escura, incluindo os backgrounds do modelo padrão. O resultado da regressão pode ser utilizado para treinar classificadores ainda mais poderosos em separar sinais e backgrounds no canal totalmente leptônico e garantir a seleção de bósons de Higgs e sléptons com significância estatística melhorada. O método assume conhecimento prévio da classe dos eventos e parâmetros do modelo sendo, assim, adequado para estudos pós-descoberta.