Recherche de particules de type axion à longue durée de vie dans l'expérience ATLAS et contribution au logiciel de recasting MadAnalysis5

Searching for Axion-Like-Long-Lived-Particles at the ATLAS experiment and a contribution to the Madanalysis5 recasting framework

• Auteur / Autrice : Artur Cordeiro Oudot Choi
• Direction : Bertrand Laforge
• Type : Thèse de doctorat
• Discipline(s) : Physique de l'Univers
• Date : Soutenance le 30/09/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers (Paris ; 2014-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Physique nucléaire et hautes énergies (Paris ; 1997-....)
• Jury : Président / Présidente : Luca Scotto Lavina
• Jury : Examinateurs / Examinatrices : Claudia Gemme, Filippo Sala
• Jury : Rapporteur / Rapporteuse : Julie Malclès, Denis Damazio

Mots clés

Mots clés contrôlés

Axions

Expérience ATLAS

Matière noire (astronomie)

Particules (physique)

Mots clés libres

Particule de type Axion (ALP)

LHC (ATLAS)

Matière noire

Particule de longue durée de vie

ATLAS Upgrade - ITk

Réinterprétation

Axion Like Particles (ALP)

LHC (ATLAS)

Dark matter

Long-Lived particles

ATLAS upgrade - ITk

Recasting

Résumé

La matière noire constitue environ 27 % du contenu énergétique de l'univers, posant l'une des questions les plus profondes de la physique moderne. De nombreuses théories au-delà du Modèle Standard (BSM) proposent divers candidats et médiateurs pour la matière noire, les axions et les particules de type axion (ALPs) étant des exemples importants. Les ALPs, à travers des descriptions en théorie effective des champs, présentent souvent de longues durées de vie, conduisant à des particules de longue durée de vie (LLPs). Ces LLPs génèrent des signaux distincts dans les expériences de collisionneurs comme ATLAS et CMS, défiant les algorithmes d'identification et de reconstruction conventionnels. Cette thèse se concentre sur le développement de techniques novatrices basées sur le calorimètre pour détecter les ALPs se désintégrant en paires de photons dans le détecteur ATLAS, en abordant les défis uniques posés par les signaux déplacés et en augmentant la sensibilité aux recherches de LLP.En plus de se concentrer principalement sur les recherches de matière noire et de LLP, ce travail inclut des contributions significatives au cadre MadAnalysis 5 pour la réinterprétation des recherches de violation de la parité R de la SUSY par ATLAS. En intégrant des modèles de machine learning (ML) basés sur ONNX dans MadAnalysis, le cadre prend désormais en charge efficacement la recast des analyses basées sur le ML. Ce développement facilite la reproduction et la réinterprétation précises des analyses complexes, assurant des performances cohérentes dans différents environnements. En outre, la thèse détaille les avancées en technologie des détecteurs de pixels grâce aux campagnes de test-beam ITk menées en 2022. Ces campagnes ont évalué les performances des capteurs, atteignant des efficacités de détection dépassant 99 %. Les connaissances acquises ont été cruciales pour établir de meilleurs logiciels de reconstruction et workflows garantissant la cohérence des résultats. Ces améliorations sont significatives pour le projet ITk et la phase de mise à niveau du LHC vers une machine à haute luminosité. Dans l'ensemble, cette thèse présente une approche complète pour faire progresser la recherche sur la matière noire grâce à des techniques innovantes de détection des LLP, des capacités de réinterprétation améliorées pour les analyses basées sur le ML et des contributions significatives au développement de la technologie des détecteurs.

Dark Matter constitutes approximately 27% of the universe's energy content, posing one of the most profound questions in modern physics. Numerous Beyond Standard Model (BSM) theories propose various candidates and mediators for dark matter, with axions and axion-like particles (ALPs) being prominent examples. ALPs, through effective field theory descriptions, often exhibit long lifetimes, leading to long-lived particles (LLPs). These LLPs generate distinct signals in collider experiments like ATLAS and CMS, challenging conventional identification and reconstruction algorithms. This thesis focuses on developing novel calorimeter-based techniques to detect ALPs decaying into photon pairs within the ATLAS detector, addressing the unique challenges posed by displaced signals and enhancing the sensitivity of LLP searches. In addition to the primary focus on dark matter and LLP searches, this work includes significant contributions to the MadAnalysis 5 framework for the reinterpretation of ATLAS SUSY R-parity violation searches. By integrating ONNX-based machine learning models into MadAnalysis, the framework now supports efficient Machine Learning (ML)-based analysis recasting. This development facilitates the accurate reproduction and reinterpretation of complex analyses, ensuring consistent performance across different environments. Furthermore, the thesis details the advancements in pixel detector technology through the ITk test-beam campaigns conducted in 2022. These campaigns evaluated sensor performance, achieving detection efficiencies exceeding 99%. The insights gained were crucial in establishing better reconstruction software and workflows to guarantee consistency in results. These improvements are significant for the ITk project and the upgrade phase of the LHC towards a high-luminosity machine. Overall, this thesis presents a comprehensive approach to advancing dark matter research through innovative LLP detection techniques, enhanced recasting capabilities for ML-based analyses, and significant contributions to detector technology development.