Resumo: O experimento ALICE do LHC foi construído para estudar a física das interações fortes e o Plasma de Quarks e Glúons. Em operações de alta luminosidade, é possível que múltiplas colisões ocorram suficientemente próximas no tempo de forma que os seus sinais sejam associados à um único evento. Este processo, conhecido como empilhamento (do inglês, pile-up), polui as informações das colisões de interesse e impacta negativamente as análises físicas. Atualmente, para mitigar tais efeitos, parte dos eventos com pile-up são removidos das análises por uma seleção baseada em cortes sobre propriedades globais dos eventos. Nos últimos anos, os algoritmos de Machine Learning (ML) têm ganhado cada vez mais importância em muitas análises da física de altas energias devido ao seu alto desempenho em extrair padrões de grandes quantidades de dados. Neste trabalho, aplicamos as técnicas de ML sobre eventos simulados de colisões Pb-Pb à ?sNN = 5.02 TeV para aprimorar a rejeição de pile-up no experimento ALICE. Os seguintes algoritmos foram treinados com as características globais dos eventos: Random Forest, Boosted Decision Tree (BDT), Máquinas de Vetores-Suporte, Regressão Logística e Rede Neural Artificial (Multi-Layer Perceptron, MLP). Uma arquitetura mais recente de Rede Neural Artificial, conhecida como Graph Neural Network, foi treinada com informações das trajetórias dos eventos. Um ganho de pelo menos 10% sobre o método de seleção padrão foi observado com a BDT e com a Rede MLP, que tiveram o melhor desempenho entre todos os modelos. As implementações de ML também se mostraram robustas e confiáveis para eventuais aplicações sobre eventos reais. A importância de cada atributo na classificação dos eventos foi avaliada e observamos que bons desempenhos podem ser obtidos mesmo retirando informações de alguns detectores dos treinamentos Ver menos

Abstract: The LHC's ALICE experiment is designed to study the physics of strong interactions and the Quark-Gluon Plasma. At large luminosity, multiple collisions can occur close enough in time that their signals are associated with a single event. This process, known as pile-up, pollutes information from collisions of interest and negatively impacts physical analyses. Currently, to mitigate such effects, part of the pile-up events are removed from analyses by a selection based on cuts on global event properties. In recent years, Machine Learning (ML) algorithms have gained increasing importance in many analyzes of high-energy physics due to their high performance in extracting patterns from large amounts of data. In this work, we apply ML techniques on simulated Pb-Pb collision events at ?sNN = 5.02 TeV to improve pile-up rejection in the ALICE experiment. The following algorithms were trained with the global event properties: Random Forest, Boosted Decision Tree (BDT), Support Vector Machines, Logistic Regression, and Artificial Neural Network (Multi-Layer Perceptron, MLP). A more recent architecture of Artificial Neural Network, known as Graph Neural Network, was trained with information from event tracks. A gain of at least 10% over the standard selection method was observed with BDT and MLP Network, which had the best performances among all models. The ML techniques also proved to be robust and reliable for eventual applications on real events. The importance of each feature on the classification task was also evaluated and we observed that good performances can be obtained even by removing information from some detectors in the training processes Ver menos