Search for dark matter produced in association with a top quark pair decaying into fully hadronic final state at HL-LHC using machine learning
기계 학습을 이용한 고휘도 LHC 환경에서 완전히 강입자로 붕괴하는 채널의 탑 쿼크 쌍과 연관되어 생성되는 암흑물질 탐색
- 발행기관 경북대학교 대학원
- 지도교수 김동희
- 발행년도 2022
- 학위수여년월 2022. 2
- 학위명 석사
- 학과 및 전공 일반대학원 물리학과
- 원문페이지 71 p.
- 실제URI http://www.dcollection.net/handler/knu/000000100656
- UCI I804:22001-000000100656
- 본문언어 영어
- 참고문헌 p.57~58
초록/요약
우주에서 우리가 볼 수 있는 물질은 매우 극소량일 뿐이다. 우주의 구성 중 많은 부분을 암흑 물질과 암흑 에너지가 차지하기 때문에 암흑 물질에 대한 연구는 물리학에서 주요한 관심사이다. 최근 고에너지 입자 가속기를 이용한 강입자 충돌 실험을 비롯한 여러 실험을 통해 암흑물질 탐색이 활발히 이루어지고 있다. 고휘도 LHC 환경에서는 3ab-1의 휘도에 도달할 예정이며, 암흑물질 검색에 대한 감도는 크게 향상될 것이다. 본 연구에서는 탑 쿼크 쌍이 완전히 강입자로 붕괴하는 채널에서 암흑물질의 탐색을 모의 실험 하였다. 본 연구에서는 배경사건으로부터 신호사건을 효과적으로 구분하기 위하여 기계학습의 종류 중 하나인 합성곱 신경망을 이용하여 사건 선별을 수행하였다. 모의 실험에서는 여러 질량의 매개입자와 암흑물질 입자를 고려하였고, 페르미온 및 암흑 물질 입자에 대한 결합상수를 1과 2로 가정하였다. 본 연구의 결과는 암흑물질의 단순화된 모델에 따라 스칼라 매개입자를 통해 생성된 암흑물질의 경우에 대하여 해석되었다.
more목차
Chapter 1. Introduction 1
Chapter 2. Theoretical Motivation 3
2.1 Dark Matter candidates 4
2.2 Search for Dark Matter 5
2.3 Simplified Models 8
2.4 Search for Dark Matter with Top quark pair 11
Chapter 3. Experimental Apparatus 13
3.1 Accelerator: Large Hadron Collider 13
3.1.1 Accelerator Complex 13
3.1.2 LHC Experiments 15
3.1.3 LHC Run 1, 2 history and Run3 15
3.1.4 High-Luminosity LHC 16
3.2 Detector: Compact muon solenoid 17
3.2.1 Superconducting solenoid 18
3.2.2 Tracker 19
3.2.3 Electromagnetic calorimeter 19
3.2.4 Hadron calorimeter 20
3.2.5 Muon chamber 20
3.3 Detector component mainly used for this analysis 21
Chapter 4. Data Reduction 22
4.1 Generating process and event samples 22
4.2 Particle identification 25
4.2.1 Muons 25
4.2.2 Electrons 26
4.2.3 Jets 27
4.2.4 Missing Transverse Energy 28
4.3 Event Selections 29
4.3.1 Baseline selection 29
4.3.2 Selection by cut algorithm 30
4.3.3 Selection by machine learning 33
Chapter 5. Results 49
5.1 Comparison of the ML and Cut algorithm 49
5.1.1 Signal Efficiency 50
5.1.2 Expected Significance 51
5.1.3 The ETmiss distribution 52
5.2 Exclusion Upper Limit 54
Chapter 6. Conclusion 56
References 57
Appendix A. Expected Significance 59
Appendix B. Selection by Cut Algorithm 60
B.1 Pre-Selection 60
B.2 Cut Optimization 63
Appendix C. Machine Learning 67
C.1 Supervised Learning 67
C.2 Deep Learning 67
C.3 Convolutional Neural Network 69
