Search for dark matter in monotop events at the Large Hadron Collider

Abstract

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.