Estrazione del segnale di barioni charmati Λ^+_c con tecniche di machine learning

L’esperimento ALICE (A Large Ion Collider Experiment) a LHC (Large Hadron Collider) presso il CERN di Ginevra è dedicato allo studio delle collisioni tra ioni pesanti ultrarelativistici. Le più recenti analisi sull’adronizzazione dei quark pesanti in collisioni protone-protone hanno mostrato però risultati inaspettati, compatibili con fenomeni di ricombinazione (coalescenza) o con la formazione di uno stato di QGP, non attesi in tali collisioni. Per interpretare correttamente tali risultati, il barione charmato $\Lambda^{+}_{c}$ è di particolare interesse; è possibile infatti valutare la correttezza dei diversi modelli teorici e fenomenologici, sviluppati in questi anni in seguito ai risultati di ALICE, misurando la sua sezione d’urto di produzione a bassi impulsi trasversi. La ricostruzione di questa particella risulta però complessa a causa della sua breve vita media e del basso rapporto tra segnale e fondo; per questo motivo è stato implementato un programma di analisi basato su tecniche di Machine Learning (ML) e di Neural Network (NN) per poter insegnare al modello come separare segnale e fondo nei dati. Questo programma, realizzato con il linguaggio Python, rappresenta il primo passo verso la realizzazione di un framework indipendente, nuovo rispetto a quelli utilizzati nelle analisi High Energy Physics (HEP). L’addestramento delle reti si è rivelato essere funzionante e ha mostrato la propria correttezza testato su dati prodotti dall’esperimento ALICE in cui si è considerato il canale di decadimento adronico $\Lambda_{c}^{+} \to p K^{0}_{S}$.