Detailansicht
Statistically learning dispersed new physics at the LHC
Sahana Narasimha
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Doktoratsstudium Naturwissenschaften: Physik
Betreuer*in
Wolfgang Waltenberger
DOI
10.25365/thesis.81528
URN
urn:nbn:at:at-ubw:1-12022.38547.955884-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Suche nach Physik jenseits des Standardmodells ist eines der Hauptziele des Large Hadron Collider seit der Entdeckung des Higgs-Bosons im Jahr 2012. Trotz umfangreicher experimenteller Bemühungen sind bisher keine eindeutigen Hin-weise auf neue Physik aufgetreten. Dennoch wissen wir, dass das Standardmodell der Teilchenphysik nicht die endgültige Beschreibung der Natur sein kann. Fundamentale Fragen wie die Natur der dunklen Materie und der Ursprung der Neutrinomassen bleiben unbeantwortet. Da zahlreiche theoretische Erweiterungen des Standardmodells vorgeschlagen wurden, ist derzeit unklar, welches Modell sich letzt-endlich durchsetzen wird. Diese Dissertation präsentiert einen neuartigen, daten-getriebenen Bottom-up Ansatz zur Bewältigung dieses Problems: anstatt spezifische theoretische Modelle gegen experimentelle Daten zu testen, entwickelten wir einen statistischen Lernalgorithmus, der systematisch nach potenziellen verteilten Signalen sucht. Verteilte Signale sind hier definiert als schwache Effekte neuer Physik, die sich über mehrere LHC-Analysen manifestieren und bei isolierter Betrachtung zumeist als statistische Fluktuationen abgetan werden. Der Algorithmus konstruiert dann Protomodelle, die diese miteinander kompatiblen verteilten Signale über verschiedene Signalregionen hinweg erklären und gleichzeitig mit allen experimentellen Ausschlüssen konsistent bleiben. Die Methodik ist von Modellauswahlverfahren aus der statistischen Literatur inspiriert und verwendet einen Random Walk durch den Parameterraum der Protomodelle, wobei stochastisch Teilchen hinzugefügt oder entfernt und ihre Wirkungsquerschnitte und Verzweigungsverhältnisse modifiziert werden. Dies ist mit einem kombinatorischen Algorithmus gekoppelt, der Sätze von Analysen und Signalregionen identifiziert, die maximale Abweichungen von den Vorhersagen des Standardmodells aufweisen. Entscheidend für diesen Ansatz ist die Konstruktion globaler Likelihoods im Parameterraum der Protomodelle, wobei sowohl Upper-Limit- als auch Efficiency-Maps aus der SModelS-Datenbank verwendet werden, die zumeist von ATLAS und CMS veröffentlicht wurden. Diese Dissertation baut auf einer ursprünglichen Machbarkeitsstudie auf, die diese Methodik einführte, und präsentiert signifikante algorithmische Verbesserungen. Dazu gehören ein rigoroserer Ansatz durch die Implementierung eines Reversible Jump Markov Chain Monte Carlo Algorithmus, verbesserte Recheneffizienz und eine erweiterte Datenbank von Analysen, die aktuelle Ergebnisse des LHC Run 2 miteinbezieht. Wir demonstrieren die Fähigkeit des Algorithmus, potenzielle verteilte Signale in Regionen zu identifizieren, in denen individuelle Suchen möglicherweise weniger sensitiv sind, und bieten somit einen komplementären, holistischeren Ansatz zur fortlaufenden Suche nach neuer Physik am LHC.
Abstract
(Englisch)
The quest for physics beyond the Standard Model is one of the primary goals of the Large Hadron Collider since its discovery of the Higgs Boson in 2012. Despite extensive experimental efforts, no clear evidence for new physics has emerged. Yet, we know that Standard Model of particle physics is not the final description of nature. Fundamental questions such as the nature of dark matter and the origin of neutrino masses remain unanswered. Though numerous theoretical extensions to the Standard Model have been proposed, we are currently unsure which model would ultimately prevail. This thesis presents a novel, data-driven, bottom-up approach to address this problem. Instead of testing specific theoretical models against experimental data, we develop a statistical learning algorithm that systematically searches for potential dispersed signals. Dispersed signals are defined as weak effects of new physics that manifest across multiple LHC analyses, which might be dismissed as statistical fluctuations when examined individually. The algorithm then constructs candidate proto-models that explain these mutually compatible dispersed signals across different signal regions while remaining consistent with all experimental constraints. The methodology is inspired by model selection techniques from statistical literature and employs a random walk through the proto-model parameter space, stochastically adding or removing particles, and modifying their cross sections and branching ratios. This is coupled with a combinatorial algorithm that identifies sets of analyses and signal regions exhibiting maximum deviation from Standard Model predictions. Crucial to this approach is the construction of global likelihoods in proto-model parameter space, utilising both upper limit and efficiency map results from the SModelS database of simplified-model results mostly published by ATLAS and CMS experiments. This thesis builds upon an initial proof-of-concept study that introduced this methodology and presents significant algorithmic improvements. These include enhanced statistical rigour through the implementation of Reversible Jump Markov Chain Monte Carlo principles, improved computational efficiency, and an expanded database of analyses incorporating recent LHC Run 2 results. We demonstrate the algorithm's capability to identify the potential dispersed signals in regions where traditional channel-by-channel searches may lack sensitivity, thus providing a complementary approach to the ongoing quest for new physics at the LHC.
Schlagwörter
Schlagwörter
(Deutsch)
Teilchenphysik Phänomenologie BSM Algorithmus RJMCMC
Schlagwörter
(Englisch)
Particle Physics Phenomenology BSM Algorithm RJMCMC
Autor*innen
Sahana Narasimha 
Haupttitel (Englisch)
Statistically learning dispersed new physics at the LHC
Publikationsjahr
2026
Umfangsangabe
xi, 174 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Andrew Buckley ,
Sezen Sekmen
Klassifikation
33 Physik > 33.56 Elementarteilchenphysik
AC Nummer
AC17927930
Utheses ID
79561
Studienkennzahl
UA | 796 | 605 | 411 |