Búsquedas de materia oscura producida con quarks top en el experimento CMS

Abstract

Este trabajo se enmarca en la búsqueda de materia oscura en colisiones protón-protón registradas por el experimento CMS durante el año 2018 (Run 2 del LHC), centrándose en un canal donde se producen partículas de materia oscura en asociación con un par de quarks top-antitop que se desintegran en leptones cargados. El objetivo principal ha sido estudiar y optimizar variables físicas con capacidad discriminante entre señal y fondo. Para ello, se han desarrollado y probado distintas estrategias de selección, desde aproximaciones inclusivas que reproducen la signatura esperada de la señal, permitiendo validar el análisis frente a estudios de referencia, hasta técnicas de clasificación más avanzadas. En particular, se ha realizado un análisis detallado de dos variables cinemáticas clave y, luego, se ha incrementado la complejidad mediante el uso de redes neuronales profundas dentro del marco de análisis multivariante. Esta evolución permite incluir un mayor número de observables y mejorar el poder discriminante. Como resultado, se han adaptado varias herramientas para el análisis, incluyendo implementaciones para la selección de eventos, agrupaciones de señal y configuraciones para el entrenamiento de clasificadores multivariantes. Estas contribuciones técnicas podrán ser usadas para continuar este estudio en análisis futuros.

This work is part of the search for dark matter in proton-proton collisions recorded by the CMS experiment during 2018 (Run 2 of the LHC), focusing on a channel where the dark matter particle is produced in association with a pair of top-antitop quarks that decay into charged leptons. The main objective has been to study and optimize physical variables with discriminating power between signal and background. To this end, various selection strategies have been developed and tested, ranging from inclusive approaches that reproduce the expected signal signature, allowing validation of the analysis against reference studies, to more advanced classification techniques. In particular, a detailed analysis of two key kinematic variables has been performed, followed by an increase in complexity through the use of deep neural networks within a multivariate analysis framework. This evolution enables the inclusion of a larger number of observables and enhances the discriminating power. As a result, several tools have been adapted for the analysis, including implementations for event selection, signal grouping, and configuration for the training of multivariate classifiers. These technical contributions provide a basis for continuing this study in future analyses.