Aplicação da Aprendizagem de Máquina no Potencial de Descoberta do Modelo Isotripleto Vetorial de Matéria Escura em Colisores de Múons
Colisores de Múon, Aprendizagem de Máquina, Matéria Escura, Modelo Padrão, Modelo Isotripleto Vetorial de Matéria Escura
O Modelo Padrão (MP) das partículas elementares descreve com sucesso as partículas conhecidas e suas interações, com exceção da interação gravitacional. Apesar de seu reconhecido sucesso, o MP ainda apresenta algumas lacunas na descrição do mundo microscópico e das propriedades cosmológicas do universo, como por exemplo, a natureza da Matéria Escura (ME). Portanto, é um grande desafio da Física de Partículas a busca por uma partícula candidata à ME. Uma hipótese com grande aceitação é a de que a ME seja constituída por partículas massivas interagindo fracamente (WIMP's). Muitos modelos têm sido propostos considerando a inclusão de candidatos a WIMP com o objetivo de estender o grupo de simetria do MP. Neste trabalho, pretende-se estudar uma extensão simples do MP que adiciona como única componente nova, um campo massivo de spin 1, conhecido como Modelo Isotripleto Vetorial de Matéria Escura (MIVME). O modelo possui dois parâmetros livres: a massa do campo vetorial e um acoplamento ao Higgs. Pretende-se abordar portanto, o potencial de descoberta de partículas de ME através da implementação do MIVME em futuros colisores de Múons. Para a separação de eventos de interesse e eventos de fundo, será utilizada uma nova estratégia a partir das técnicas de Aprendizado de Máquina (AM).