Au-delà de la nouvelle physique standard au LHC

The ATLAS and CMS collaborations has put forward an extensive program of searches for new physics, aiming to cover new physics theories as much as possible. The results of this searches are typically interpreted in the context of popular models or simplified model topologies. However, there exist a plethora of BSM theories and scenarios that are not directly covered by the experimental analyses. Thus, the importance of reinterpreting LHC searches inthe context of any BSM theory. Is within this spirit that this thesis unfolds, by considering two aspects: phenomenology of beyond vanilla new physics theories and the further development of dedicated tools.On the phenomenological aspect, we explore the collider phenomenology of a very interesting beyond vanilla theory: The Minimal Dirac Gaugino Model (MDGSSM). First, we derive current limits on the gluinos and squarks of the model. Secondly, we start by delimiting the parameter space of the MGSSM electroweakino sector where the lightest neutralino is a viable DM candidate, to then constrain the emerging scenarios on the light of SUSY and LLP searches. On the tool development aspect, we describe recent developments of the SModelS reinterpretation tool, which includes combination of signal regions, the implementation of heavy stable charge particle and R-hadron signatures and the implementation of an interactive plots maker. Furthermore, we discuss the development of a tool to determine if signal regions from different analyses arestatistically independent from each other and hence, can be trivially combined.Finally, this thesis also regards machine learning (ML) applications to HEP phenomenology. Among other examples, we present a neural network to accurately predict, with an estimated uncertainty, the production cross sections of the Inert doublet Model. Furthermore, we discuss the importance of providing uncertainties on ML predictions and provide recommendations for sharing all the material involved in the production of ML applications.Les collaborations ATLAS et CMS ont mis en avant un vaste programme de recherche de nouvelle physique, visant à couvrir autant que possible les théories de la nouvelle physique. Les résultats de ces recherches sont généralement interprétés dans le contexte de modèles populaires ou de topologies des modèles simplifiées. Cependant, il existe une pléthore de théories et de scénarios BSM qui ne sont pas directement couverts par les analyses expérimentales. Ainsi, l’importance de réinterpréter les recherches LHC dans le contexte de toute théorie BSM. C’est dans cet esprit que se déroule cette thèse. Il considère deux aspects: la phénoménologie et le développement d’outils dédiés. Sur l’aspect phénoménologique, nous explorons la phénoménologie aux collisionneurs d’une théorie au-delà de la nouvelle physique standard très intéressante: le modèle minimal avec gauginos de Dirac (MDGSSM). Dans un premier temps, nous dérivons des limites de courant sur les gluinos et les squarks du modèle. Dans une deuxième étude, nous commençons par délimiter l’espace des paramètres du secteur électroweakino du MGSSM où le neutralino le plus léger est un candidat à la matière noire viable, suivi par la contrainte des scénarios émergents à la lumière des recherches SUSY et LLP. En ce qui concerne le développement d’outils, nous décrivons les développements récents de l’outil de réinterprétation SModelS, qui comprend des combinaisons de régions de signal, la mise en œuvre de signatures des particules chargée, stable et lourde (HSCP) et des hadrons R et la implementation d’un créateur de tracés interactifs. De plus, nous discutons de la mise en œuvre d’un outil pour déterminer si les régions de signal de différentes analyses sont statistiquement indépendantes les unes des autres et, par conséquent, peuvent être combinées de manière triviale.Finalement, cette thèse concerne également les applications d’apprentissage automatique à la phénoménologie HEP. Entre autres exemples, nous présentons un réseau neuronal pour prédire avec précision, et avec une incertitude estimée, les sections efficaces de production du modèle de doublet inerte. En outre, nous discutons de l’importance de fournir des incertitudes sur les prédictions des modèles ML et formulons des recommandations pour partager tout le matériel impliqué dans la production des applications de ML