PPGF PROGRAMA DE PÓS-GRADUAÇÃO EM FÍSICA PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO Telefone/Ramal: Não informado

Banca de DEFESA: DOMINIQUE LOPES RAMOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : DOMINIQUE LOPES RAMOS
DATA : 09/08/2021
HORA: 14:00
LOCAL: REMOTO
TÍTULO:

APLICAÇÃO DO APRENDIZADO DE MÁQUINA NA PROCURA POR MATÉRIA ESCURA NO LHC


PALAVRAS-CHAVES:

Matéria Escura, Aprendizado de máquina


PÁGINAS: 99
RESUMO:

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 $t\bar{t}$.


MEMBROS DA BANCA:
Externo à Instituição - JEAN CARLOS COELHO FELIPE - UFVJM
Interno - 1212928 - HERON CARLOS DE GODOY CALDAS
Presidente - 364974 - MARIA ALINE BARROS DO VALE
Notícia cadastrada em: 05/08/2021 13:54
SIGAA | NTInf - Núcleo de Tecnologia da Informação - +55(32)3379-5824 | Copyright © 2006-2021 - UFSJ - sigaa01.ufsj.edu.br.sigaa01