Utilize este identificador para referenciar este registo:
https://hdl.handle.net/1822/73681
Título: | Search for dark matter in monotop events at the Large Hadron Collider |
Outro(s) título(s): | Pesquisa por matéria escura em eventos monotop no Grande Colisionador de Hadrões |
Autor(es): | Teixeira, Maura Gabriela Barros |
Orientador(es): | Castro, Nuno Filipe Romão, Miguel Correia dos Santos Crispim |
Palavras-chave: | Dark matter Machine learning Model performance metrics Monotop Aprendizagem automática Matéria escura Mètricas Monotop |
Data: | 2020 |
Resumo(s): | The Standard Model (SM) can be considered an approximation at a lower
energy of a more fundamental theory which encourages the search for new physics.
One evidence supporting that new particles beyond the SM might exist comes
from astrophysical measurements that point to the existence of a kind of matter
that does not interact with the electromagnetic force, usually referred to as Dark
Matter (DM). Although the particles associated with this DM are not expected to
interact significantly with detectors, proton-proton collisions at the Large Hadron
Collider (LHC) can produce new particles that couple both to DM candidate particles
and to SM particles allowing the detection of these processes. The searches
with a monotop signature look for events with one top quark and large missing
transverse energy from the DM candidates.
The quantity of data produced at the LHC is huge and complex, therefore the use
of Machine Learning (ML) techniques is becoming more usual in this context. The
training of 100 Neural Networks (NN) with di↵erent hyperparameters was done
and the limits were calculated. High Energy Physics (HEP) related model performance
measures were proposed. A comparison between the hyperparameters,
the model performance metrics and the limits is done in order to determine their
relation.
Another purpose is to present a detailed study on the search for DM with a monotop
signature and also contribute to the analysis being done by the ATLAS experiment
at the LHC, by doing a Next-to-Leading Order (NLO) versus Leading
Order (LO) study on the signal phenomenology and producing the JobOptions for
the signal generation. O Modelo Padrão pode ser considerado uma aproximação a mais baixa energia de uma teoria fundamental, o que encoraja a procura por nova Física. Uma evidência que suporta a existência de novas partículas para além do Modelo Padrão surge de medidas astrofísicas que apontam para a existência de um tipo de matéria que não interage com a força eletromagnética, usualmente designada por Matéria Escura. Apesar de não ser esperado que as partículas associadas com a Matéria Escura interajam significativamente com detetores, as colisões protão-protão no Grande Colisionador de Hadrões podem produzir novas partículas que acoplam às partículas candidatas a Matéria Escura e às partículas do Modelo Padrão permitindo a deteção destes processos. As pesquisas com uma assinatura monotop procuram por eventos com um quark top e grande energia transversa em falta proveniente dos candidatos a Matéria Escura. A quantidade de dados produzida no Grande Colisionador de Hadrões é enorme e complexa por isso o uso de técnicas de Machine Learning está-se a tornar mais usual neste contexto. O treino de 100 redes neuronais com hiperparâmetros diferentes foi feito e os limites foram calculados. Foram propostas métricas associadas a Física das Altas Energias. A comparação entre os hiperparâmetros, os valores das métricas e os limites é feita com o objetivo de determinar a sua relação. Outro objetivo para esta tese é apresentar um estudo detalhado na pesquisa por Matéria Escura com uma assinatura monotop e também contribuir para a análise feita pela experiência ATLAS no Grande Colisionador de Hadrões, fazendo um estudo Next-to-Leading Order versus Leading Order na fenomenologia do sinal e produzindo as JobOptions para a geração de sinal. |
Tipo: | Dissertação de mestrado |
Descrição: | Dissertação de mestrado em Física |
URI: | https://hdl.handle.net/1822/73681 |
Acesso: | Acesso aberto |
Aparece nas coleções: | BUM - Dissertações de Mestrado LIP - Dissertações de Mestrado |
Ficheiros deste registo:
Ficheiro | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação Maura Gabriela Barros Teixeira.pdf | 14,48 MB | Adobe PDF | Ver/Abrir |
Este trabalho está licenciado sob uma Licença Creative Commons