Ensinando máquinas a reconstruir matéria escura no LHC

Detalhes bibliográficos
Autor(a) principal: Yamaguchi, Carlos Hideo
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