The quest for new physics: From supersymmetry and flavour models to data-driven searches using machine learning at the LHC

• Autores: Pablo Martín Ramiro
• Directores de la Tesis: Jesús Moreno (dir. tes.), David G. Cerdeño (dir. tes.)
• Lectura: En la Universidad Autónoma de Madrid ( España ) en 2022
• Idioma: inglés
• Número de páginas: 148
• Tribunal Calificador de la Tesis: Thomas Hambye (presid.), L. Enrique Fernandez Martinez (secret.), Bryan Zaldívar Montero (voc.)
• Programa de doctorado: Programa de Doctorado en Física Teórica por la Universidad Autónoma de Madrid
• Materias:
  • Física
    • Física teórica
• Enlaces
  • Tesis en acceso abierto en: Biblos-e Archivo
• Resumen

  • La naturaleza de la materia oscura y de otras partículas e interacciones fundamentales más allá de las descritas por el Modelo Estándar es aún desconocida. En esta tesis investigamos la fenomenología de modelos de nueva física que incorporan un candidato a materia oscura, y exploramos nuevas técnicas de aprendizaje automático para buscar señales de nueva física en el Large Hadron Collider (LHC).

    En la primera parte de esta tesis presentamos una recopilación de la evidencia experimental actual que demuestra la existencia de la materia oscura. Utilizando esta información, inferimos ciertas propiedades teóricas que cualquier candidato a materia oscura debe satisfacer. A partir de ahí, motivamos la introducción de modelos supersimétricos y de sabor como dos marcos teóricos que pueden proporcionar respuestas a algunos de los problemas abiertos del Modelo Estándar. En concreto, nos centramos en modelos que además incorporan un candidato a materia oscura de forma natural, explorando las señales que producirían en diferentes experimentos. Aunque las búsquedas de nueva física en el LHC son sensibles a las señales concretas que producirían los modelos más populares, argumentamos que esta estrategia tiene ciertas limitaciones para el descubrimiento de nueva física. En concreto, el alcance de estas búsquedas está limitado por las hipótesis sobre los modelos de señal y ruido utilizados para el análisis de los datos. Por este motivo, argumentamos que las técnicas de aprendizaje automático pueden ser útiles para aumentar el alcance y sensibilidad de las búsquedas de nueva física, sin tener que realizar hipótesis sobre los modelos de señal y ruido. Finalmente, mostramos que estos métodos permiten alcanzar un rendimiento muy superior al de los métodos tradicionales, aumentando significativamente el potencial de descubrir nueva física en el LHC.

    En la segunda parte de esta tesis presentamos una compilación de tres artículos. En el primer artículo analizamos la sensibilidad de las búsquedas supersimétricas en el LHC al modelo Next-to-Minimal Supersymmetric Standard Model (NMSSM). El NMSSM proporciona una solución al problema de las jerarquías en el Modelo Están- dar y además incluye un posible candidato a materia oscura. En este primer artículo exploramos la fenomenología de este modelo y resaltamos las señales experimentales concretas que produciría, y que lo distinguen del Minimal Supersymmetric Standard Model (MSSM). En concreto, mostramos que algunas de estas señales específicas del NMSSM no están bien cubiertas por las búsquedas en el LHC, que están diseñadas para optimizar la sensibilidad a las señales que produciría el MSSM. En el segundo artículo proponemos un modelo que explica las anomalías experimen- tales observadas en la desintegración de mesones B y que incorpora un candidato a materia oscura. En este trabajo, investigamos la fenomenología de este modelo y las señales que produciría en el LHC, en experimentos de detección directa e indirecta. Por último, en el tercer artículo exploramos la complementariedad de dos técnicas de aprendizaje automático que permiten realizar búsquedas de nueva física en el LHC sin introducir modelos específicos para la señal y el ruido. En concreto, estudiamos el rendimiento de ambos métodos en una búsqueda de resonancias hadrónicas para diferentes secciones eficaces, mostrando que pueden sobrepasar de manera sig- nificativa el rendimiento de los métodos de análisis tradicionales.

    Finalmente, en la tercera parte de esta tesis presentamos las conclusiones y resumimos los principales resultados de los tres artículos.