Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: http://www.bdtd.uerj.br/handle/1/20641
Tipo do documento: Dissertação
Título: 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
Título(s) alternativo(s): Search for dark matter at CMS/LHC: a study on the implementation of machine learning method implementation of machine learning methods and application of correction factors for bottom quark jets
Autor: Campos, Gabriel Moreira da Silva 
Primeiro orientador: Malbouisson, Helena Brandão
Primeiro coorientador: Damião, Dilson de Jesus
Primeiro membro da banca: Costa, Eliza Melo da
Segundo membro da banca: Guimarães, Marcelo Santos
Terceiro membro da banca: Hensel, Carsten
Quarto membro da banca: Silva, Gilson Correia
Resumo: Nesse trabalho é apresentado um estudo da implementação de algoritmos de aprendizado de máquina e correção de eventos de simulação com a presença de jatos provenientes do quark bottom na busca por matéria escura fermiônica produzida através do processo de decaimento de um bóson de Higgs (H) pesado originado da quebra de simetria espontânea de dois dupletos de Higgs. O estado final do processo ¯bbZ (→ℓ¯ℓ)+E T(a → χ¯χ) é sondado utilizando todos os dados disponíveis no Run-2 do LHC/CMS. A presença de jatos provenientes de quark bottom no estado final tornam obrigatória a correção dos eventos de simulação de modo que exista uma boa concordância com os dados. Devido à baixa seção de choque do sinal, a performance e discriminantes dos algoritmos XGBooste Multi Layer Perceptron foram comparados para melhor determinação da sensibilidade do sinal.
Abstract: 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.
Palavras-chave: 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
Dark matter (Astronomy)
Machine learning
Standard model (Nuclear physics)
Compact muon solenoid
Large hadron collider (France and Switzerland)
Experimental high energy physics
CMS experiment
Área(s) do CNPq: CIENCIAS EXATAS E DA TERRA::FISICA::FISICA DAS PARTICULAS ELEMENTARES E CAMPOS
Idioma: por
País: Brasil
Instituição: Universidade do Estado do Rio de Janeiro
Sigla da instituição: UERJ
Departamento: Centro de Tecnologia e Ciências::Instituto de Física Armando Dias Tavares
Programa: Programa de Pós-Graduação em Física
Citação: CAMPOS, Gabriel Moreira da Silva. 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. 2023. 120 f. Dissertação (Mestrado em Física) - Instituto de Física Armando Dias Tavares, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023.
Tipo de acesso: Acesso Aberto
URI: http://www.bdtd.uerj.br/handle/1/20641
Data de defesa: 28-Fev-2023
Aparece nas coleções:Mestrado em Física

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação - Gabriel Moreira da Silva Campos - 2023 - Completa.pdf16,28 MBAdobe PDFBaixar/Abrir Pré-Visualizar


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.