Performance of neural networks in search for a new dark matter aware gauge boson Z' in final states with leptons and missing transverse energy atthe LHC with the ATLAS detector

Abstract

Vi gjennomfører et søk etter et nytt gaugeboson Z' i sluttilstander med to leptoner og manglende transversal energi. Søket er basert på hypotetiske mørk Higgs-modeller og "light vector"-modeller. Data generert av Monte-Carlo-simuleringer analyseres. Disse korresponderer med data fra ATLAS-detektoren gjennom hele "Run 2" ved LHC med sqrt(s)=13 TeV. Signalområder konstrueres gjennom den tradisjonelle "cut and count"-metoden, basert på å gjøre kutt på bestemte kinematiske variabler, og ved bruk av nevrale nettverk. De nevrale nettverkene optimeres, med mål om å oppnå høyest mulig nøyaktighet i klassifiseringen av signal og bakgrunn. Metodene sammenlignes, og de nevrale nettverkene viser seg å prestere bedre enn den tradisjonelle fremgangsmåten. Likevel er den forventede signifikansen i størrelsesordenen 10^(-1) når kobligskonstanten til leptoner er g(l)=0.01, som er for lavt til at det er mulig å ekskludere eller oppdage signalene i data målt av detektoren gjennom Run 2.

We perform a search for a new dark matter aware gauge boson Z' in final states with two leptons and missing transverse energy, predicted by dark Higgs and light vector models. Monte-Carlo simulated events are analysed, corresponding to data from the ATLAS detector taken during the full Run 2 at the LHC with sqrt(s)=13 TeV. Signal regions are constructed by the standard method of making cuts on kinematic variables as well as by use of neural networks. The neural networks are optimized in order to reach a high accuracy in classification of signal and background events. The methods are compared, and the neural networks are found to perform better than the standard approach. However, the highest expected significances are in the order of 10^(-1) for a coupling of Z' boson to leptons of g(l)=0.01, which is too low for a possible exclusion or discovery of the signals in the data from Run 2.