Orientador: Jun Takahashi

Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Física Gleb Wataghin

Resumo: O objetivo do projeto de doutorado foi explorar as aplicações de técnicas de Machine Learning em análise de dados e desenvolver uma nova metodologia para abordar um problema físico específico: a reconstrução de bárions multi-estranhos. Este trabalho foi desenvolvido em colaboração com o...

Resumo: O objetivo do projeto de doutorado foi explorar as aplicações de técnicas de Machine Learning em análise de dados e desenvolver uma nova metodologia para abordar um problema físico específico: a reconstrução de bárions multi-estranhos. Este trabalho foi desenvolvido em colaboração com o Experimento ALICE (A Large Ion Collider Experiment). O ALICE tem como objetivo estudar matéria fortemente interagente em densidades de energia tão altas que um estado da matéria chamado Plasma de Quarks e Glúons (QGP) se forma. Isso é alcançado usando um conjunto de detectores projetados e otimizados para medir colisões ultra-relativísticas de íons pesados no LHC (Large Hadron Collider) localizado no CERN. O aumento da estranheza é um dos possíveis observáveis para investigar o QGP, portanto, precisamos de medições precisas da produção de partículas estranhas. Detectar essas partículas envolve a reconstrução de seus vértices de decaimento e a determinação da massa invariante de várias combinações de trajetórias. No entanto, a presença de inúmeras combinações de trajetórias que não estão associadas ao processo de decaimento introduz um fundo significativo nos espectros de massa invariante. Para lidar com esse desafio, cortes de seleção com base em variáveis topológicas são comumente usados para suprimir o fundo combinatório. Uma vez que esses parâmetros topológicos frequentemente exibem correlações, há um potencial considerável para melhorias por meio do uso de técnicas de análise multivariacional, como o Machine Learning. Neste trabalho, a implementação de métodos de Machine Learning resultou em maior eficiência e significância, aumentando assim a precisão dos espectros de momento transversal das partículas estudadas. O Machine Learning também permitiu o acesso a um ponto experimental sem precedentes na região de baixo momento transverso. A extensão do limite inferior melhorou o procedimento de extrapolação, resultando em uma maior precisão na produção global de partículas

Abstract: The objective of the PhD project was to explore the applications of Machine Learning techniques in data analysis and develop a novel methodology to address a specific Physics problem: The reconstruction of multi-strange baryons. This work was developed within the A Large Ion Collider...

Abstract: The objective of the PhD project was to explore the applications of Machine Learning techniques in data analysis and develop a novel methodology to address a specific Physics problem: The reconstruction of multi-strange baryons. This work was developed within the A Large Ion Collider Experiment (ALICE) collaboration. ALICE aims to study strongly interacting matter in such high energy densities that a state of matter called Quark-Gluon Plasma (QGP) forms. It accomplishes this using a set of detectors designed and optimized to measure ultra-relativistic collisions of heavy nuclei at the Large Hadron Collider (LHC) located at CERN. Strangeness enhancement is one possible observable to probe the QGP, therefore we need precise measurement for the production of strange particles. Detecting these particles involves reconstructing their secondary decay vertices and determining the invariant mass of various track combinations. However, the presence of numerous combinations tracks that are not associated with the decay process introduces a significant background in the invariant mass spectra. To address this challenge, selection cuts based on topological variables are commonly employed to suppress the combinatorial background. Given that these topological parameters often exhibit correlations, there is a considerable potential for improvement through the use of multivariate analysis techniques, such as Machine Learning. In this work the implementation of Machine Learning methods has resulted in enhanced efficiency and significance, therefore increasing the precision of the transverse momentum spectra of the studied particles. Machine Learning also allowed the access to an unprecedented experimental point in the low transverse momentum region. The extension of the inferior limit improved the extrapolation procedure, leading to improved precision of the overall particle production yield

Aberto