Ensinando máquinas a reconstruir matéria escura no LHC
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/43/43134/tde-10102022-084434/ |
Resumo: | 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. |
id |
USP_c130f4098e721e4570addc309dd6d048 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-10102022-084434 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Ensinando máquinas a reconstruir matéria escura no LHCTeaching Machines to determine dark matter in the LHCFenomenologia de partículas; Aprendizado de máquina; Redes Neurais; k-Vizinhos mais próximosParticle Phenomenology; Machine Learning; Neural network; k-Nearest NeighborsNeutrinos, 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.Neutrinos, dark matter, and long-lived neutral particles traverse the particle detectors unnoticed, carrying away information about their parent particles and interaction sources needed to reconstruct key variables like resonance peaks in invariant mass distributions. In this dissertation, we show that a $k$-nearest neighbors regressor algorithm combined with deep neural network classifiers, a $k$NNNN, is able to accurately recover distributions of the fully leptonic $W^+W^-$ mass of a new heavy Higgs boson and its Standard Model backgrounds from the observable detector level information at disposal. We also applied the $k$NNNN to the decay of slepton pairs in lepton plus neutralino, a candidate for dark matter, along with its Standard Model backgrounds. The output of the regressor can be used to train even stronger classifiers to separate signals and backgrounds in the fully leptonic case and guarantee the selection of on-mass-shell Higgs bosons and sleptons with enhanced statistical significance. The method assumes previous knowledge of the event classes and model parameters, thus suitable for post-discovery studies.Biblioteca Digitais de Teses e Dissertações da USPAlves, AlexandreYamaguchi, Carlos Hideo2022-09-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/43/43134/tde-10102022-084434/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2022-10-18T21:47:33Zoai:teses.usp.br:tde-10102022-084434Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212022-10-18T21:47:33Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Ensinando máquinas a reconstruir matéria escura no LHC Teaching Machines to determine dark matter in the LHC |
title |
Ensinando máquinas a reconstruir matéria escura no LHC |
spellingShingle |
Ensinando máquinas a reconstruir matéria escura no LHC Yamaguchi, Carlos Hideo Fenomenologia de partículas; Aprendizado de máquina; Redes Neurais; k-Vizinhos mais próximos Particle Phenomenology; Machine Learning; Neural network; k-Nearest Neighbors |
title_short |
Ensinando máquinas a reconstruir matéria escura no LHC |
title_full |
Ensinando máquinas a reconstruir matéria escura no LHC |
title_fullStr |
Ensinando máquinas a reconstruir matéria escura no LHC |
title_full_unstemmed |
Ensinando máquinas a reconstruir matéria escura no LHC |
title_sort |
Ensinando máquinas a reconstruir matéria escura no LHC |
author |
Yamaguchi, Carlos Hideo |
author_facet |
Yamaguchi, Carlos Hideo |
author_role |
author |
dc.contributor.none.fl_str_mv |
Alves, Alexandre |
dc.contributor.author.fl_str_mv |
Yamaguchi, Carlos Hideo |
dc.subject.por.fl_str_mv |
Fenomenologia de partículas; Aprendizado de máquina; Redes Neurais; k-Vizinhos mais próximos Particle Phenomenology; Machine Learning; Neural network; k-Nearest Neighbors |
topic |
Fenomenologia de partículas; Aprendizado de máquina; Redes Neurais; k-Vizinhos mais próximos Particle Phenomenology; Machine Learning; Neural network; k-Nearest Neighbors |
description |
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. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-09-09 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/43/43134/tde-10102022-084434/ |
url |
https://www.teses.usp.br/teses/disponiveis/43/43134/tde-10102022-084434/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1815256924566847488 |