Searches for supersymmetric dark matter in semileptonic final states at the CMS experiment employing angular correlation and deep learning techniques followed by a reinterpretation in the pMSSM19 framework

Engelke, Frederic; Borras, Kerstin; Krämer, Michael

doi:HT031173209

Searches for supersymmetric dark matter in semileptonic final states at the CMS experiment employing angular correlation and deep learning techniques followed by a reinterpretation in the pMSSM19 framework

Engelke, Frederic^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Frederic Engelke, M. Sc. RWTH

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Borras, Kerstin (Thesis advisor)^RWTH* ; Krämer, Michael (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-05-13

Online
DOI: 10.18154/RWTH-2025-05419
URL: https://publications.rwth-aachen.de/record/1013266/files/1013266.pdf

Einrichtungen

Projekte

GRK 2497 - GRK 2497: Physik der schwersten Teilchen am Large Hadron Collider (400140256) (400140256)

Inhaltliche Beschreibung (Schlagwörter)
HEP (frei) ; dark matter (frei) ; machine learning (frei) ; pMSSM19 (frei) ; particle physics (frei) ; supersymmetry (frei)

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
Die Natur der Dunklen Materie (DM) bleibt eines der größten ungelösten Rätsel der modernen Physik. Obwohl DM die sichtbare (baryonische) Materie um ein Vierfaches übersteigt, sind ihr Ursprung und ihre Eigenschaften weiterhin unbekannt. In dieser Arbeit wird das Problem der Dunklen Materie im Rahmen der Supersymmetrie (SUSY) untersucht, einer theoretischen Erweiterung des Standardmodells der Teilchenphysik. Unter Verwendung von Daten mit einer integrierten Luminosität von $L = 138 \ \text{fb}^{-1}$, die während des Large Hadron Collider (LHC) Run 2 (2016-2018) vom Compact Muon Solenoid (CMS) Experiment gesammelt wurden, werden mehrere Analysestrategien angewandt, um SUSY-Teilchen zu identifizieren, die als Kandidaten für Dunkle Materie infrage kommen. Ein erster Ansatz verwendet eine Cut-and-Count-Analyse, welche die Massenebene $m_{\tilde{g}} - m_{\tilde{\chi}_0^1}$ mit einer datengetriebenen Methode weiter untersucht, um die Modellierung von Untergrundprozessen durch Transferfaktoren und Korrekturen zu verbessern. Mit dieser Analyse wurden Ausschlussgrenzen für Gluino-Massen bis zu 2050 GeV und Neutralino-Massen bis zu 1070 GeV erreicht. Anschließend wurden diese Ergebnisse im Rahmen des phänomenologischen MSSM (pMSSM19) neu interpretiert, wobei zusätzliche SUSY-Parameter eingeschränkt und vielversprechende Regionen identifiziert wurden, welche die Verteilung der beobachteten Daten erklären würden. Um die Sensitivität weiter zu steigern, wurde ein Ansatz auf Basis von maschinellem Lernen entwickelt. Ein tiefes neuronales Netzwerk (DNN) wurde trainiert, um Kollisionsereignisse zu klassifizieren und Signalregionen anhand von DNN-Scores zu definieren. Diese Methode erweitert die Ausschlussgrenzen auf bis zu 1450 GeV für $m_{\tilde{\chi}_0^1}$ und auf bis zu 2230 GeV für $m_{\tilde{g}}$ und demonstriert den Nutzen fortschrittlicher Strategien in modernen Analysen an Teilchenbeschleunigern. Außerdem wurde das äußere Hadronenkalorimeter (HO) des CMS-Detektors untersucht, um sein Potenzial als Triggersystem für langlebige Teilchen (LLPs) zu evaluieren. Dies könnte die Identifizierung von Signaturen erleichtern, die von SUSY vorhergesagt werden.

The nature of dark matter (DM) remains one of the most compelling mysteries in modern physics. Despite DM exceeding the visible (baryonic) matter by a factor of four, its origin and properties are yet to be understood. This thesis explores the dark matter problem through the framework of supersymmetry (SUSY), a theoretical extension of the Standard Model of particle physics. Using data collected during the Large Hadron Collider (LHC) Run 2 (2016-2018) by the Compact Muon Solenoid (CMS) experiment, with an integrated luminosity of $L = 138 \ \text{fb}^{-1}$, multiple analysis strategies are employed to search for signatures of SUSY particles that present viable DM candidates. The first analysis utilizes a cut-and-count approach targeting the $m_{\tilde{g}}$-$m_{\tilde{\chi}_0^1}$ mass plane via angular correlation between selected physics objects, combined with a data-driven method to address limitations in background modeling via transfer factors and corrections. This analysis achieved exclusion limits for gluino masses up to 2050 GeV and neutralino masses up to 1070 GeV. Subsequently, these results were reinterpreted within the phenomenological MSSM framework (pMSSM19), constraining additional SUSY parameters and highlighting potential regions of interest based on observed data excesses. To further enhance the sensitivity, a machine learning-based approach was developed, utilizing a deep neural network (DNN) to classify collision events and define signal regions based on DNN scores. This novel methodology expands the exclusion limits up to 1450 GeV for $m_{\tilde{\chi}_0^1}$ and up to 2230 GeV for $m_{\tilde{g}}$ and demonstrates the advantages of sophisticated computational techniques in modern collider analyses. Also, the HO, the outer hadron calorimeter of the CMS detector, was evaluated as a potential trigger system for long-lived particle (LLP) detection, addressing challenges in identifying signatures predicted by SUSY theories.

OpenAccess:
PDF
(additional files)