Recherche de la matière noire avec des particules au long temps de vie au LHC – DMwithLLPatLHC

Des techniques d'apprentissage automatique (réseaux de neurones profonds ou sur graphes) ont été utilisées pour améliorer la calibration des objets dans le détecteur ATLAS, en s'appuyant soit sur des données d'entrée de haut niveau relatives aux jets, soit sur les constituants de ces derniers. De nombreuses études ont porté sur l'amélioration de l'identification des photons, notamment grâce à une représentation différente de la distribution d'énergie dans le calorimètre électromagnétique et à des variables d'asymétrie dérivées de cette représentation, particulièrement utiles pour identifier les photons collimatés. Ces techniques ont également permis de démontrer le potentiel de réduction de la diaphonie, améliorant ainsi la résolution temporelle du calorimètre électromagnétique. Ce projet a contribué à deux recherches publiées sur les hadrons sombres, ainsi qu'à une recherche de particules de type axion, menées avec l'expérience ATLAS. Le framework MadAnalysis a été utilisé pour implémenter de nouveaux codes de réinterprétation adaptés à ces recherches et pour mener des études phénoménologiques sur des modèles de matière noire.

Ce projet a permis d'améliorer les performances de reconstruction des photons et des jets grâce à l'utilisation de connaissances expertes et de l'apprentissage automatique ; certaines de ces améliorations sont d'ores et déjà intégrées au flux de travail d'ATLAS, à la disposition de l'ensemble de la collaboration pour exploitation ou étude. Le projet a également permis de contribuer de manière significative à des analyses explorant des modèles ou des espaces de paramètres « au-delà du modèle standard » totalement inédits, en s'appuyant sur les données des périodes Run-2 et partielle Run-3 d'ATLAS. Ces travaux ont abouti à des publications originales et ouvrent la voie à des analyses encore plus performantes sur l'ensemble des données du Run-3, s'appuyant notamment sur des études phénoménologiques rendues possibles par des codes de réinterprétation accessibles au public, favorisant ainsi la diffusion des connaissances liées à ces analyses. Enfin, des actions de communication (conférences, ateliers, cours dans le cadre d'écoles thématiques, entretiens) ont été menées pour faire connaître ces résultats.

Un nouveau projet COFECUB avec le Brésil (SEMA-ML : *Searching for Dark Matter with Advanced Machine Learning Modelling*) permettra de poursuivre la collaboration sur ces sujets. Ces travaux se poursuivent également par d'autres voies. Les études de performance sur les jets et les photons continueront au sein des groupes ATLAS concernés. Une recherche d'anomalies fondée sur des signatures de jets est en cours dans le cadre d'une nouvelle chaire MIAI associant le LPSC et le LPCA (Clermont). Enfin, les études de phénoménologie se poursuivront grâce aux outils de réinterprétation, qui pourront bénéficier de collaborations dans le cadre du groupe de travail LHC BSM.

Plusieurs modèles de matière noire prédisent des particules au long temps de vie, dont deux catégories récentes au cœur du projet : les particules type axion (ALPs) et les hadrons sombres. Comme ces modèles n’ont pas encore été recherchés de façon extensive auprès des collisionneurs, il y a une réelle opportunité d’accéder à de nouvelles régions de l’espace des paramètres. Pour les ALPs, le projet se concentrera sur leurs désintégrations en une paire de photons, soit de façon prompte ou encore à l’intérieur des calorimètres. Pour les hadrons sombres, les caractéristiques particulières de leurs jets seront exploitées: nombre différent de traces, sous-structure des jets, développement tardif à l’intérieur des calorimètres qui pourrait venir du long temps de vie de certains hadrons du secteur sombre, etc. Ces recherches seront développées dans ATLAS et les liens entre la phénoménologie et les paramètres théoriques seront éclaircis.

Ces recherches utilisent des photons et des jets qui tous deux forment des gerbes de particules à travers des processus stochastiques, bien que dus à des interactions différentes. Des techniques avancées de réseaux de neurones seront développées, avec l’information des constituants des gerbes afin d’améliorer les performances; pour améliorer l’entraînement, les incertitudes des variables d’entrée seront considérées. En construisant des outils utilisant des informations de bas niveau (constituants des photons et des jets) au lieu d’information de haut niveau (directement des photons et des jets), le projet a pour objectif d’améliorer de façon significative la précision de la mesure de l’énergie, de la direction et de la masse par rapport aux techniques actuellement employées. Pour la même raison, de tels outils devraient permettre une meilleure identification des photons et jets de signal et améliorer la discrimination par rapport au bruit de fond.

Un dernier objectif est de rendre possible la réinterprétation des résultats des recherches mentionnées ci-haut en termes de différents modèles. La mise en place d’une collaboration (à travers une Short-Term Association avec ATLAS) entre les théoriciens et les expérimentateurs depuis le début de la conception des analyses permettra une interprétation la plus générale possible des résultats. Cela inclut un choix optimal des signaux types, mais aussi la collecte des informations nécessaires pour réinterpréter les résultats. À cette fin, nous développerons une structure logicielle appropriée dans les premiers temps du projet, structure qui sera testée par la réinterprétation d’analyses d’ATLAS existantes portant sur la recherche de particules aux long temps de vie.