Le Modèle Standard de la physique des particules (MS) est une théorie
fondamentale de la nature dont la validité a été largement établie par
diverses expériences. Par contre, quelques problèmes théoriques et
expérimentaux subsistent, ce qui motive la recherche de théories
alternatives. La Supersymétrie (SUSY), famille de théories dans
laquelle une nouvelle particule est associée à chaque particules du
MS, est une des théories ayant les meilleures motivations pour étendre
la portée du modèle. Par exemple, plusieurs théories supersymétriques
prédisent de nouvelles particules stables et interagissant seulement
par la force faible, ce qui pourrait expliquer les observations
astronomiques de la matière sombre. La découverte de SUSY
représenterait aussi une importante étape dans le chemin vers une
théorie unifiée de l'univers. Les recherches de supersymétrie sont au
coeur du programme expérimental de la collaboration ATLAS, qui
exploite un détecteur de particules installé au Grand Collisioneur de
Hadrons (LHC) au CERN à Genève, mais à ce jours aucune preuve en
faveur de la supersymétrie n'a été enregistrée par les présentes
analyses, largement basées sur des techniques simples et bien
comprises.
Cette thèse documente l'implémentation d'une nouvelle approche à la
recherche de particules basée sur l'apprentissage profond, utilisant
seulement les quadri-impulsions comme variables discriminatoires;
cette analyse utilise l'ensemble complet de données d'ATLAS enregistré
en 2015-2018. Les problèmes de la naturalité du MS et de la matière
sombre orientent la recherche vers les partenaires supersymétriques du
gluon (le gluino), des quarks de troisième génération (stop et
sbottom), ainsi que des bosons de gauge (le neutralino). Plusieurs
techniques récentes sont employées, telles que l'utilisation directe
des quadri-impulsions reconstruites à partir des données enregistrées
par le détecteur ATLAS ainsi que la paramétrisation d'un réseau de
neurone avec les masses des particules recherchées, ce qui permet
d'atteindre une performance optimale quelle que soit l'hypothèse de
masses. Cette méthode améliore la signification statistique par un
facteur 85 par rapport au dernier résultat d'ATLAS pour certaines
hypothèses de masses, et ce avec la même luminosité.
Aucun excès signifif au-delà du Modèle Standard n'est observé. Les
masses du gluino en deçà de 2.45 TeV et du neutralino en deça de
1.7 TeV sont exclues à un niveau de confiance de 95%, ce qui étend
largement les limites précédentes sur deux modèles de productions de
paires de gluinos faisant intervenir des stops et des sbottoms,
respectivement. / The Standard Model of particle physics (SM) is a fundamental theory of
nature whose validity has been extensively confirmed by
experiments. However, some theoretical and experimental problems
subsist, which motivates searches for alternative theories to
supersede it. Supersymmetry (SUSY), which associate new fundamental
particles to each SM particle, is one of the best-motivated such
theory and could solve some of the biggest outstanding problems with
the SM. For example, many SUSY scenarios predict stable neutral
particles that could explain observations of dark matter in the
universe. The discovery of SUSY would also represent a huge step towards a
unified theory of the universe. Searches for SUSY are at the heart of
the experimental program of the ATLAS collaboration, which exploits a
state-of-the-art particle detector installed at the Large Hadron
Collider (LHC) at CERN in Geneva. The probability to observe many
supersymmetric particles went up when the LHC ramped up
its collision energy to 13~TeV, the highest ever achieved in
laboratory, but so far no evidence for SUSY has been recorded by
current searches, which are mostly based on well-known simple
techniques such as counting experiments.
This thesis documents the implementation of a novel deep
learning-based approach using only the four-momenta of selected
physics objects, and its application to the search for supersymmetric
particles using the full ATLAS 2015-2018
dataset. Motivated by naturalness considerations as well as by the
problem of dark matter, the search focuses on finding evidence for
supersymmetric partners of the gluon (the gluino), third generation
quarks (the stop and the sbottom), and gauge bosons (the neutralino).
Many recently introduced physics-specific machine learning
developments are employed, such as directly using detector-recorded
energies and momenta of produced particles instead of first deriving a
restricted set of physically motivated variables and parametrizing the
classification model with the masses of the particles searched for,
which allows optimal sensitivity for all mass hypothesis. This method
improves the statistical significance of the search by up to 85 times
that of the previous ATLAS analysis for some mass hypotheses, after
accounting for the luminosity difference.
No significant excesses above the SM background are recorded. Gluino
masses below 2.45 TeV and neutralino masses below 1.7 TeV are excluded
at the 95% confidence level, greatly increasing the previous limit on
two simplified models of gluino pair production with off-shell stops
and sbottoms, respectively.
Identifer | oai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/24811 |
Date | 07 1900 |
Creators | Gagnon, Louis-Guillaume |
Contributors | Arguin, Jean-François |
Source Sets | Université de Montréal |
Language | English |
Detected Language | French |
Type | thesis, thèse |
Page generated in 0.0021 seconds