Studio di tecniche di machine learning per la ricostruzione del barione charmato Λc in ALICE ad LHC

Strazzi, Sofia (2019) Studio di tecniche di machine learning per la ricostruzione del barione charmato Λc in ALICE ad LHC. [Laurea], Università di Bologna, Corso di Studio in Fisica [L-DM270]
Documenti full-text disponibili:
[img] Documento PDF (Thesis)
Disponibile con Licenza: Salvo eventuali più ampie autorizzazioni dell'autore, la tesi può essere liberamente consultata e può essere effettuato il salvataggio e la stampa di una copia per fini strettamente personali di studio, di ricerca e di insegnamento, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale. Ogni altro diritto sul materiale è riservato

Download (14MB)

Abstract

L'esperimento ALICE (A Large Ion Collider Experiment), situato al Large Hadron Collider (LHC) del CERN, è dedicato allo studio delle collisioni tra ioni pesanti ultrarelativistici, in particolare di ioni di piombo, fino ad energie di 5.5 TeV per coppia di nucleoni nel centro di massa. L'obbiettivo principale dell'esperimento è indagare lo stato della materia che si forma in condizioni di alta temperatura e densità di energia, noto come Quark-Gluon Plasma (QGP). Il QGP risulta essere difficilmente osservabile e avendo una vita media estremamente breve, le prove della sua esistenza sono tutte dovute a misure indirette. Uno degli strumenti fondamentali per investigare le sue proprietà è lo studio dei quark pesanti. Essi infatti, grazie alle loro masse elevate, vengono prodotti nelle primissime fasi della collisione e, propagandosi all'interno del mezzo, interagiscono con i suoi costituenti durante tutta l'evoluzione del sistema, fornendo misure sulle sue proprietà. In particolare, in questa tesi è stato preso in considerazione il barione charmato Λc^{+} nel suo canale di decadimento Λc^{+} → p + Ks^{0}. A causa delle breve vita media e del basso rapporto tra segnale e fondo, la ricostruzione di tale particella risulta complicata e si rende necessario l’uso di tecniche di analisi multivariata, che permettono di considerare contemporaneamente e indipendentemente più variabili per evento, e di sfruttare tutte le informazioni disponibili attraverso metodi di machine learning. Nella presente tesi sono state analizzate e confrontate tre diverse tecniche per l’estrazione del segnale: i tagli rettangolari, le reti neurali e i Boosted Decision Tree (BDT). Viene in particolare riportata una descrizione dei tre metodi, compresi i principi di funzionamento e i parametri di configurazione adottati, e un confronto tra le loro performance.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Strazzi, Sofia
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
machine learning,tagli rettangolari,reti neurali,boosted decision tree,confronto,quark-gluon plasma,ALICE,analisi multivariata
Data di discussione della Tesi
18 Ottobre 2019
URI

Altri metadati

Statistica sui download

Gestione del documento: Visualizza il documento

^