Gluino-gluino üretimi sinyalinin standart model ardalanından derin öğrenme ile ayrıştırılması

Bu tezde, Standart Model Ötesi (SMÖ) sinyallerin, Standart Model (SM) arka planlarından ayrılması için derin öğrenme teknikleri kullanılmıştır. Bu yöntemler, yüksek boyutlu ve karmaşık parçacık fiziği verilerinde geleneksel analizlerin sınırlı kalması nedeniyle tercih edilmiştir. Benzer işlemler istatistiksel veya kural tabanlı yöntemlerle yapılabilse de bu yöntemler genellikle düşük doğruluk ve genelleme kabiliyeti ile sınırlıdır. Gluino çift üretimine ait simülasyon verilerinde DNN, CNN, TabNet ve Autoencoder+TabNet modelleri uygulanmış, Optuna ile optimize edilmiştir. Sonuçlar, hibrit yapının doğruluk ve AUC metriklerinde diğer modellere kıyasla yaklaşık %3–5 daha yüksek başarı sağladığını, CNN'in ise bu değerlere oldukça yakın performans gösterdiğini ortaya koymuştur. Bu çalışma, derin öğrenme tabanlı yöntemlerin SMÖ sinyallerinin sınıflandırılmasında etkili araçlar sunduğunu ve hibrit yaklaşımların, tekil yöntemlere kıyasla anlamlı ölçüde performans artışı sağlayabileceğini göstermektedir.