APLICAÇÃO DO APRENDIZADO DE MÁQUINA NA PROCURA POR MATÉRIA ESCURA NO LHC
Matéria Escura, Aprendizado de máquina
Apesar do Modelo Padrão (MP) ser capaz de explicar muitos fenômenos do mundo das partículas, existem muitos problemas ainda não esclarecidos por esse modelo. A natureza da matéria escura (ME), que compõe cerca de 27% de todo o Universo, é um enigma tanto do ponto de vista da Física de Partículas quanto da Cosmologia. A ME não interage com a matéria comum da forma como conhecemos, por isso não pode ser detectada nos aparatos experimentais atuais, sendo a percepção da sua existência devido apenas à sua interação gravitacional com a matéria ordinária. No Grande Colisor de Hádrons (LHC), a procura por ME está associada a sua assinatura caracterizada por energia transversa faltante ($\cancel{E}_T$) em experimentos. Diversas teorias além do MP consideram uma nova partícula candidata a ME que pode ser uma partícula escalar, vetorial, um férmion de Dirac ou Majorana. Neste trabalho, consideramos um candidato escalar $\phi$ (com spin 0) para a ME prevista pelo modelo ZP-TP-DM que surge do decaimento de um novo bóson vetorial Z' (spin 1) em um par $T'\overline{T'}$ (chamados parceiros top fermiônico com spin 1/2), dando origem ao estado final $t\bar{t}\phi \phi$. A partir das técnicas de Aprendizado de Máquina (AM) separamos os evento de fundo ($pp \longrightarrow t\bar{t}Z$, com $Z$ decaindo nos neutrinos e seus respectivos antineutrinos) dos eventos de sinal ($pp \longrightarrow T'\overline{T'} \longrightarrow t\bar{t} \phi\phi$) gerados pelo CalcHEP. Construímos uma rede neural profunda (RNP) para separar os eventos de fundo e de sinal e obtemos valores próximos a 1 para a Área Abaixo da curva Característica de Operação do Receptor (AUC) para diferentes massas. Isso indica que o classificador criado separou os eventos de forma eficiente. Entretanto, os resultados obtidos para a significância estatística representa uma situação ideal, já que não incluímos na análise o decaimento do par $t\bar{t}$.