Novas partículas sensíveis à forte interação podem ser produzidas em abundância nas colisões próton-próton geradas pelo Large Hadron Collider (LHC) - desde que não sejam muito pesadas. Essas partículas podem ser parceiras de glúons e quarks previstos por supersimetria (SUSY), uma extensão proposta do modelo padrão da física de partículas que expandiria seu poder preditivo para incluir energias muito mais altas. Nos cenários mais simples, esses "gluinos" e "squarks" seriam produzidos aos pares, e decair diretamente em quarks e uma nova partícula neutra estável (o "neutralino"), que não interagiria com o detector ATLAS. O neutralino pode ser o principal constituinte da matéria escura.

A ATLAS Collaboration tem procurado esses processos desde os primeiros dias de operação do LHC. Os físicos têm estudado eventos de colisão com "jatos" de hádrons, onde há um grande desequilíbrio nos momentos desses jatos no plano perpendicular aos prótons em colisão ("momento transversal ausente, "E _T ^senhorita ) Essa falta de momentum seria carregada pelos neutralinos indetectáveis. Até aqui, As buscas no ATLAS levaram a restrições cada vez mais rígidas sobre as massas mínimas possíveis de quadrados e gluinos.

É possível fazer melhor com mais dados? A probabilidade de produzir essas partículas pesadas diminui exponencialmente com suas massas, e, portanto, repetir as análises anteriores com um conjunto de dados maior só vai até certo ponto. Novo, métodos sofisticados que ajudam a distinguir melhor um sinal SUSY dos eventos de modelo padrão de fundo são necessários para levar essas análises mais adiante. Melhorias cruciais podem vir do aumento da eficiência para selecionar eventos de sinal, melhorando a rejeição de processos em segundo plano, ou olhando para regiões menos exploradas.

No Simpósio Lepton Photon em Toronto, Canadá, a ATLAS Collaboration apresentou novos resultados que ilustram os benefícios trazidos por técnicas de análise mais avançadas, que foram pioneiros em outros canais de pesquisa. A sensibilidade da nova análise é significativamente melhorada graças ao uso de duas abordagens complementares.

Na primeira abordagem, conhecido como "pesquisa multi-bin, "os eventos são classificados em bins definidos por dois observáveis:a massa efetiva e a E _T ^senhorita significado. Estes caracterizam a quantidade de energia envolvida na interação (grande, se partículas pesadas foram produzidas), e quão improvável o E observado _T ^senhorita deve ser causado pelos neutralinos em fuga, e não pela medição incorreta das energias do jato. Com até 24 caixas ortogonais definidas de cada vez, a pesquisa é sensível a uma grande variedade de massas de gluinos, squarks e neutralinos (Figura 1 (esquerda)).

A segunda abordagem, conhecido como pesquisa "Boosted Decision Tree (BDT), "usa algoritmos de classificação de aprendizado de máquina para discriminar melhor um sinal potencial. Os BDTs são treinados com algumas das propriedades cinemáticas dos jatos + E _T ^senhorita estados finais, previsto pela simulação de Monte Carlo para eventos de sinal e de fundo. Oito desses discriminantes são definidos, cada um otimizado para uma região diferente do parâmetro e espaço do modelo (Figura 1 (direita)).

Os novos resultados usaram todo o conjunto de dados LHC Run 2, correspondendo a uma luminosidade integrada de 139 fb ^-1 , e não mostrou nenhuma diferença significativa entre o número de eventos observados e as previsões do Modelo Padrão nas regiões enriquecidas com sinal. Limites de exclusão foram, portanto, definidos para as massas de gluinos, squarks e neutralinos, assumindo diferentes cenários. Alguns exemplos são mostrados na Figura 2. Para a pesquisa multi-bin, a força de todas as caixas pode ser aplicada simultaneamente, aumentando o poder de exclusão da análise.