Perpustakaan Digital ITB

Model Standar (MS) fisika partikel telah terbukti sangat sukses dalam menjelaskan berbagai fenomena dalam fisika partikel, tetapi tetap belum mampu menjelaskan fenomena materi gelap dan pengamatan osilasi neutrino. Fenomena osilasi meng- implikasikan adanya pelanggaran rasa lepton (Lepton Flavor Violation, LFV) untuk sektor neutrino dan menjadi motivasi untuk pencarian fenomena LFV di sektor lep- ton bermuatan di luar skema MS. Disertasi ini menyajikan strategi pencarian fisika baru di luar Model Standar (Beyond the Standard Model, BSM) melalui dua studi komputasi fenomenologi di Large Hadron Collider (LHC). Studi pertama mengeksplorasi proses dalam kerangka model simetri gauge U(1)D gelap, dengan sebuah boson baru Z ? meluruh menjadi pasangan lepton yang diser- tai oleh emisi materi gelap ?. Penelitian ini mengusulkan optimasi kriteria seleksi menggunakan energi transversal yang hilang (E miss T ) > 250 GeV dan jendela mas- sa invarian dilepton yang sempit. Hasil simulasi dengan strategi ini menunjukkan terdapat potensi peningkatan sensitivitas pencarian hingga enam kali lipat pada wi- layah massa Z ? rendah dibandingkan dengan strategi standar eksperimen saat ini, serta memberikan batasan untuk konstanta kopling gelap gD ? 0.6 pada tingkat kepercayaan 95%. Studi kedua berfokus pada peluruhan Higgs berat yang melanggar rasa (flavor), H ? ?? , dalam model Two Higgs Doublet Model (2HDM) Tipe-III. Dengan me- manfaatkan teknik Deep Neural Network (DNN) dalam pengolahan data, penelitian ini menunjukkan potensi sensitivitas batas atas tampang lintang sebesar 36–46% dibandingkan dengan metode konvensional massa kolinear (Mcol) yang digunakan oleh eksperimen. Analisis interpretabilitas menggunakan SHapley Additive exPla- nations (SHAP) menunjukkan bahwa massa partikel yang terlihat (mvis) memiliki peran penting dalam membedakan sinyal LFV dengan latar belakang, yang kemudi- an diformulasikan menjadi usulan kriteria baru yang sederhana namun efektif secara fisis. Selain itu, model regresi DNN berbasis koneksi residual terbukti dapat meng- optimalkan rekonstruksi massa Higgs dengan tingkat akurasi tinggi, yang mengha- silkan galat prediksi di bawah 1 GeV. Secara keseluruhan, disertasi ini menunjukkan bahwa penggunaan strategi optimasi menggunakan informasi kinematika dan tek- nik pembelajaran mesin dapat memperluas jangkauan proyeksi penemuan partikel baru secara signifikan. Ini dapat memberikan arah bagi analisis data pada LHC Run 3 dan eksperimen di masa depan.