skip to main content
Visitante
Meu Espaço
Minha Conta
Sair
Identificação
This feature requires javascript
Tags
Revistas Eletrônicas (eJournals)
Livros Eletrônicos (eBooks)
Bases de Dados
Bibliotecas USP
Ajuda
Ajuda
Idioma:
Inglês
Espanhol
Português
This feature required javascript
This feature requires javascript
Primo Search
Busca Geral
Busca Geral
Acervo Físico
Acervo Físico
Produção Intelectual da USP
Produção USP
Search For:
Clear Search Box
Search in:
Busca Geral
Or select another collection:
Search in:
Busca Geral
Busca Avançada
Busca por Índices
This feature requires javascript
This feature requires javascript
Ensinando máquinas a reconstruir matéria escura no LHC
Yamaguchi, Carlos Hideo
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Física 2022-09-09
Acesso online. A biblioteca também possui exemplares impressos.
Exibir Online
Localização & Reservas
Detalhes
Resenhas & Tags
Solicitações
Mais Opções
Prateleira Virtual
This feature requires javascript
Enviar para
Adicionar ao Meu Espaço
Remover do Meu Espaço
E-mail (máximo 30 registros por vez)
Imprimir
Link permanente
Referência
EasyBib
EndNote
RefWorks
del.icio.us
Exportar RIS
Exportar BibTeX
This feature requires javascript
Título:
Ensinando máquinas a reconstruir matéria escura no LHC
Autor:
Yamaguchi, Carlos Hideo
Orientador:
Alves, Alexandre
Assuntos:
Fenomenologia De Partículas
;
Aprendizado De Máquina
;
Redes Neurais
;
K-Vizinhos Mais Próximos
;
Particle Phenomenology
;
Machine Learning
;
Neural Network
;
K-Nearest Neighbors
Notas:
Dissertação (Mestrado)
Descrição:
Neutrinos, matéria escura, e partículas neutras de longas vidas médias atravessam os detetores despercebidos, carregando informação importante sobre as partículas pais e fontes de interação necessárias para reconstruir variáveis chaves como picos de ressonância em distribuições de massa invariante. Nesta dissertação, mostramos que um algoritmo de regressão de $k$-vizinhos mais próximos combinado com um classificador de rede neural profunda, um $k$NNNN, conseguem recuperar com precisão as distribuições de massa de pares $W^+W^-$ totalmente leptônicos de um novo bóson de Higgs pesado além dos seus backgrounds do modelo padrão a partir de informações observáveis disponíveis em detetores. Também aplicamos o $k$NNNN para o decaimento de um par de sléptons em léptons mais neutralinos, um candidato a matéria escura, incluindo os backgrounds do modelo padrão. O resultado da regressão pode ser utilizado para treinar classificadores ainda mais poderosos em separar sinais e backgrounds no canal totalmente leptônico e garantir a seleção de bósons de Higgs e sléptons com significância estatística melhorada. O método assume conhecimento prévio da classe dos eventos e parâmetros do modelo sendo, assim, adequado para estudos pós-descoberta.
DOI:
10.11606/D.43.2022.tde-10102022-084434
Editor:
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Física
Data de criação/publicação:
2022-09-09
Formato:
Adobe PDF
Idioma:
Português
Links
Este item no Dedalus
Teses e Dissertações USP
Acesso ao doi
This feature requires javascript
This feature requires javascript
Voltar para lista de resultados
This feature requires javascript
This feature requires javascript
Buscando em bases de dados remotas. Favor aguardar.
Buscando por
em
scope:(ASSIN_USP),scope:(USP),scope:(PRUSP),scope:(EBOOKS),scope:(PRODUCAO),scope:(EREVISTAS),scope:(DEDALUS),scope:(CR-USP),scope:(PRODINTEL),scope:(BDPI),primo_central_multiple_fe
Mostrar o que foi encontrado até o momento
This feature requires javascript
This feature requires javascript
Página Inicial
RSS
Feed
Políticas
Fale Conosco
Logos de Redes Sociais: 
Logos de Redes Sociais: