Please use this identifier to cite or link to this item: http://hdl.handle.net/10773/29836
Title: Exploring new physics scenarios in a three-Higgs-doublet model with vector-like fermions
Other Titles: Explorando física nova num modelo com três dubletos de Higgs e fermiões do tipo vetorial
Author: Gonçalves, João Pedro Pino
Advisor: Morais, António
Pasechnik, Roman
Defense Date: Jul-2020
Abstract: The success of the Standard model (SM) can not be understated, however, the existence of both theoretical questions as well as experimental observations without an answer in the SM favours the study of New Physics theories. In this thesis, a new model featuring three Higgs doublets and vector-like fermions is presented. It is based upon a supersymmetric Grand Unified Theory where all fundamental interactions described by the SM gauge group G = SU(3) C× SU(2) L× U(1) Y as well as the observed flavour structure in nature are ultimately unified under the E 8 symmetry group. The supersymmetric high-energy limit of this theory is provided in order to motivate the various parameter choices and mass scales involved in the numerical studies. The low-energy effective limit of this model is constructed to be invariant under the transformations of the gauge group G. Besides new scalars and three generations of vector-like fermions, the model also provides a rich neutrino sector, with twelve new states, where the lightest one is sterile. In this thesis, and using deep learning techniques, we perform the first phenomenological analysis of this model focusing on the study of new charged vector-like leptons (VLLs) and their possible signatures at CERN’s Large Hadron Collider (LHC). In our numerical analysis, we consider signal events for vector-boson fusion and VLL pair production topologies, both involving a final state containing a pair of charged leptons and two sterile neutrinos that act as missing energy. For the SM background processes we consider the quantum chromodynamics (QCD) (t t¯) and the W+W− fusion events. Monte Carlo simulations are performed for LHC proton-proton collisions at a total centre of mass energy √s = 14 TeV. All calculated observables are provided as data sets for deep learning analysis, where a neural network with 5 layers (1 input + 3 hidden + 1 output) is constructed. The neural network successfully separates background from signal events with approximately 100% accuracy and where a boosted decision tree (BDT) is implemented in order to offer a better identification of the different types of background and signal. Taking into account the effect of both analysed topologies, the maximal combined significance for the observation of new VLLs at the LHC is of 13.62 σ if their mass is 200 GeV, becoming smaller than 2 σ if the lightest VLL mass is beyond 1 TeV. The results obtained show that our model can be tested at future LHC runs and, in particular, constraining the energy scale for which new gauge symmetries emergent from the unification picture can be manifest.
O sucesso do Modelo Padrão (MP) não deve ser substimado, no entanto, a existência tanto de questões teóricas como de observações experiementais sem resposta no MP favorecem o estudo de teorias com Nova Física. Nesta tese um novo modelo contendo três dubletos de Higgs e fermiões do tipo vetorial é apresentado. Este é baseado em princípios de grande unificação supersimétrica e, em particular, inspirado pela unificação das interações fundamentais sob o grupo de simetria E 8, que contem o grupo de gauge do MP, G = SU(3) C × SU(2) L × U(1) Y . O limite supersimétrico de alta energia é apresentado de modo a contextualizar e justificar as escolhas de parâmetros e escalas de massa envolvidas nos estudos numéricos. O limite de baixas energia deste modelo é construído de forma a ser invariante sob transformações do grupo de gauge G. Além de novos escalares e três gerações de fermiões do tipo vetorial, o modelo também oferece um vasto setor de neutrinos com doze novos estados, sendo o mais leve estéril. Nesta tese, e recorrendo a métodos baseados em aprendizagem profunda, apresentamos a primeira análise fenomenológica deste modelo focando-nos no estudo de novos leptões carregados (do tipo vetorial) e suas possíveis assinaturas no grande colisor de protões do CERN, o LHC. A nossa análise numérica considera eventos de sinal para topologias de fusão de bosões vetoriais e topologias associadas `a produção de pares de leptões do tipo vetorial, ambas envolvendo um estado final contendo um par de leptões carregados bem como dois neutrinos estéreis que atuam como energia em falta. Para processos de fundo do MP consideramos eventos de cromodinâmica quântica (CDQ) ( t t¯) e eventos de fusão ( W + W −). As simulações de Monte Carlo são realizadas para colisões protão-protão como no LHC, a uma energia de centro de massa √ s = 14 TeV. Todas as observáveis calculadas são fornecidas para análise de aprendizagem profunda, onde uma rede neural com 5 camadas (1 entrada + 3 escondidas + 1 saída) é construída. A rede neural separa com sucesso eventos de fundo de eventos de sinal com uma precisão de quase 100% e uma ´arvore de decisão aprimorada (ADA) é implementada de modo a proporcionar uma melhor identificação dos diferentes tipos de fundo e de sinal. Tendo em conta as duas topologias analisadas, a significância máxima combinada para a observação de novos leptões do tipo vetorial no LHC ´e de 13.62σ se a sua massa for de 200 GeV, decaindo a mesma para valores inferiores a 2 σ se a massa destes estiver acima de 1 TeV. Os resultados obtidos oferecem a possibilidade de testar o modelo em futuras runs do LHC e, em particular, constranger a escala de energia à qual novas simetrias de gauge emergentes do cenário de Unificação se poderão manifestar.
URI: http://hdl.handle.net/10773/29836
Appears in Collections:DFis - Dissertações de mestrado
UA - Dissertações de mestrado

Files in This Item:
File Description SizeFormat 
Documento_João_Gonçalves.pdf9.22 MBAdobe PDFView/Open


FacebookTwitterLinkedIn
Formato BibTex MendeleyEndnote Degois 

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.