Kurzfassung
Modelle mit eichvermittelter Supersymmetriebrechung bieten einen überzeugenden Rahmen für die Suche nach einem supersymmetrischen Partner des Tau-Leptons (/stau) mit makroskopischer Lebensdauer. In solchen Szenarien kann /stau in Tau-Leptonen zerfallen, deren Zerfallsvertex gegenüber dem primären Proton-Proton-Wechselwirkungsvertex deutlich räumlich versetzt sind. Die Standardmethoden zur Rekonstruktion und Identifizierung von Tau-Leptonen am Compact Muon Solenoid (CMS)-Experiment sind für solche Signaturen nicht ausgelegt, was die Entwicklung spezialisierter Verfahren erforderlich macht.
Diese Doktorarbeit beginnt mit der Verbesserung bestehender CMS-Tau-Identifikationsalgorithmen für prompte Tau-Leptonen mithilfe moderner Methoden des maschinellen Lernens. Aufbauend auf diesem Fundament wird ein graphbasiertes neuronales Netzwerk vorgestellt, das Tau-Leptonen auch bei großen Zerfallsverschiebungen zuverlässig identifiziert, die in einem Sekundärvertex entstehen, der einen makroskopischen Abstand zum Primärvertex hat.. Mithilfe dieser spezialisierten Identifikation wird erstmals eine Suche nach der direkten Produktion mäßig langlebiger /stau-Teilchen (die innerhalb des Tracker-Volumens zerfallen) mit hadronischen Tau-Endzuständen unter Verwendung von Proton-Proton-Kollisionsdaten bei /(/sqrt{s} = 13/TeV/) durchgeführt. Die Analyse basiert auf einem Datensatz mit einer integrierten Luminosität von $138/unit{fb}^{-1}$, der vom CMS-Experiment in den Jahren 2016 bis 2018 aufgezeichnet wurde. Diese Arbeit verbessert die Empfindlichkeit auf /stau-Zerfallslängen im Zentimeterbereich oder darüber hinaus erheblich und erweitert die experimentelle Abdeckung von Szenarien mit eichvermittelter Supersymmetriebrechung.
Gauge-mediated supersymmetry breaking models provide a compelling framework for the search for a supersymmetric partner of the tau lepton (/stau) with a macroscopic lifetime. In such scenarios, /stau can decay to tau lepton displaced from the primary proton-proton interaction vertex. Standard tau reconstruction and identification techniques at the Compact Muon Solenoid (CMS) experiment are not designed for these displaced signatures, motivating the development of specialised approaches. This thesis begins by improving the existing CMS tau identification algorithms for prompt taus using modern machine learning techniques. Building on this foundation, a graph-based neural network is introduced to reliably identify displaced tau leptons, where large displacements pose unique detection challenges. Leveraging this dedicated displaced-tau identification, the first search for the direct production of moderately long-lived /stau particles (decaying within the tracker volume) with hadronic taus in the final state is performed using proton-proton collision data at /(/sqrt{s}=13/TeV/). The analysis is based on a dataset corresponding to an integrated luminosity of $138/unit{fb}^{-1}$, collected by the CMS experiment from 2016 to 2018. This work significantly enhances sensitivity to /stau decay lengths of the order of centimetres or more, expanding the experimental coverage of gauge-mediated supersymmetry breaking scenarios.