Reconstrução de Di-Higgs no LHC com eventos bbWW totalmente leptônicos usando aprendizado de máquina

• Ano de defesa: 2024
• Autor(a) principal: Mesquita, Igor Neiva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de Máquina; Di-Higgs production; Física do Modelo Padrão; Heavy Higgs; Higgs Pesado; Machine Learning; Produção de Di-Higgs; Produção de Di-Higgs Ressonante.; Resonant di-Higgs production.; Standard Model Physics
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-27112024-121620/

Esta dissertação investiga a aplicação de técnicas de aprendizado de máquina ao complexo problema de reconstruir decaimentos totalmente leptônicos de di-Higgs e dos processos de fundo envolvendo quarks top no Grande Colisor de Hadrons (LHC, na sigla em inglês). A motivação para este trabalho deriva da necessidade de medir com precisão o parâmetro de autoacoplamento do Higgs, fundamental para entender o potencial do Higgs e explorar a física além do Modelo Padrão. Começando com uma introdução aos conceitos fundamentais de aprendizado de máquina, o estudo desenvolve um modelo de Autoencoder Variacional para Regressão (VAER) adaptado a esse contexto de física de altas energias. Utilizamos MadGraph e Delphes para simular os processos de sinal e de fundo, com foco na produção não ressonante de di-Higgs e em cenários envolvendo bósons de Higgs pesados. O modelo VAER é então aplicado a esses conjuntos de dados para reconstruir a massa invariante do Higgs (Mbbll), demonstrando seu potencial para melhorar a discriminação entre sinal e fundo. Este trabalho ressalta a importância de integrar aprendizado de máquina em análises de física de partículas, visando aumentar a precisão das medições física do Higgs e facilitar a descoberta de novos fenômenos além do Modelo Padrão.