Busca por matéria escura no CMS/LHC: um estudo de implementação de métodos de aprendizado de máquina e aplicação de fatores de correção para jatos de quark bottom

• Autor(a) principal: Campos, Gabriel Moreira da Silva
• Data de Publicação: 2023
• Outros Autores: [e-mail]
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UERJ
• Texto Completo: http://www.bdtd.uerj.br/handle/1/20641
• topic: Dark matter (Astronomy); Machine learning; Standard model (Nuclear physics); Compact muon solenoid; Large hadron collider (France and Switzerland); Experimental high energy physics; CMS experiment; Matéria escura (Astronomia); Aprendizado do computador; Modelo padrão (Física nuclear); Solenóide de múon compacto; Grande colisor de hádrons (França e Suíça); Física experimental de altas energias; Experimento CMS; Aprendizado de máquina; CIENCIAS EXATAS E DA TERRA::FISICA::FISICA DAS PARTICULAS ELEMENTARES E CAMPOS

In this work, a study of the implementation of machine learning algorithms and correction of simulation events with the presence of quark bottom jets in the search for fermionic dark matter produced through the decay process of a heavy Higgs boson (H) from the spontaneous symmetry breaking of two Higgs doublets is presented. The process final state ¯bbZ (→ℓ¯ℓ)+E T(a → χ¯χ) is probed using all available data in Run-2 from LHC/CMS. The presence of quark bottom jets in the final state makes it mandatory to correct the simulation events so that there is good agreement between data and Monte Carlo. Due to the low cross section of the signal, the performance and discriminants of the XGBoost and Multi Layer Perceptron algorithms were compared to better determine the signal sensitivity.