Mostrar el registro sencillo del ítem
dc.contributor.author
Arganda Carreras, Ernesto
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.contributor.author
Medina, Anibal Damian
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.contributor.author
Perez, Andres Daniel
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.contributor.author
Szynkman, Alejandro Andrés
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.date.available
2023-09-20T17:17:06Z
dc.date.issued
2021-09
dc.identifier.citation
Arganda Carreras, Ernesto; Medina, Anibal Damian; Perez, Andres Daniel; Szynkman, Alejandro Andrés; Towards a method to anticipate dark matter signals with deep learning at the LHC; SciPost Foundation; SciPost Physics; 12; 2; 9-2021; 1-47
dc.identifier.issn
2542-4653
dc.identifier.uri
http://hdl.handle.net/11336/212387
dc.description.abstract
We study several simplified dark matter (DM) models and their signatures at the LHC using neural networks. We focus on the usual monojet plus missing transverse energy channel, but to train the algorithms we organize the data in 2D histograms instead of event-by-event arrays. This results in a large performance boost to distinguish between standard model (SM) only and SM plus new physics signals. We use the kinematic monojet features as input data which allow us to describe families of models with a single data sample. We found that the neural network performance does not depend on the simulated number of background events if they are presented as a function of S/pB, for reasonably large B, where S and B are the number of signal and background events per histogram, respectively. This provides flexibility to the method, since testing a particular model in that case only requires knowing the new physics monojet cross section. Furthermore, we also discuss the network performance under incorrect assumptions about the true DM nature. Finally, we propose multimodel classifiers to search and identify new signals in a more general way, for the next LHC run.
dc.format
application/pdf
dc.language.iso
eng
dc.publisher
SciPost Foundation
dc.rights
info:eu-repo/semantics/openAccess
dc.rights.uri
https://creativecommons.org/licenses/by/2.5/ar/
dc.subject
Machine Learning
dc.subject
Dark Matter
dc.subject
LHC Phenomenology
dc.subject.classification
Física de Partículas y Campos
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.subject.classification
Ciencias Físicas
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.subject.classification
CIENCIAS NATURALES Y EXACTAS
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.title
Towards a method to anticipate dark matter signals with deep learning at the LHC
dc.type
info:eu-repo/semantics/article
dc.type
info:ar-repo/semantics/artículo
dc.type
info:eu-repo/semantics/publishedVersion
dc.date.updated
2023-09-18T13:29:53Z
dc.journal.volume
12
dc.journal.number
2
dc.journal.pagination
1-47
dc.journal.pais
Países Bajos
![Se ha confirmado la validez de este valor de autoridad por un usuario](/themes/CONICETDigital/images/authority_control/invisible.gif)
dc.journal.ciudad
Amsterdam
dc.description.fil
Fil: Arganda Carreras, Ernesto. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina. Consejo Superior de Investigaciones Científicas; España
dc.description.fil
Fil: Medina, Anibal Damian. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina
dc.description.fil
Fil: Perez, Andres Daniel. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina
dc.description.fil
Fil: Szynkman, Alejandro Andrés. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - La Plata. Instituto de Física La Plata. Universidad Nacional de La Plata. Facultad de Ciencias Exactas. Instituto de Física La Plata; Argentina
dc.journal.title
SciPost Physics
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/arxiv/https://arxiv.org/abs/2105.12018
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/url/https://scipost.org/10.21468/SciPostPhys.12.2.063
dc.relation.alternativeid
info:eu-repo/semantics/altIdentifier/doi/https://doi.org/10.21468/SciPostPhys.12.2.063
Archivos asociados