Ricostruzione del barione charmato Λ_c^+ con tecniche di machine learning e reti neurali grafiche

In questo elaborato è presentata l'implementazione di un modello di Rete Neurale Grafica per la ricostruzione di particelle nell'esperimento ALICE a LHC. Lo scopo di questo esperimento è lo studio del Quark-Gluon Plasma ottenuto tramite collisioni tra ioni pesanti alle alte energie. Il Quark-Gluon Plasma è uno stato deconfinato della materia che si forma in condizioni di elevata temperatura e densità. Attraverso lo studio dei rapporti di produzione dei barioni contenenti quark pesanti in questo sistema si possono studiare i meccanismi di adronizzazione. In particolare è stato considerato il barione Λ^+_c (udc) e il suo canale di decadimento Λ^+_c → pK^0_S. Poiché la sua vita media è molto breve, non è possibile ricostruirlo attraverso i sistemi di localizzazione di vertici di ALICE. Inoltre, il rapporto tra segnale e fondo è molto basso. Perciò vengono impiegate tecniche di Machine Learning per la ricostruzione del barione. Il programma è stato realizzato in Python, usando la API Keras e la libreria open source Spektral. I dati impiegati per l'allenamento e la valutazione che compongono il segnale sono stati generati dal generatore Monte Carlo PYTHIA8 e tramite GEANT3 sono stati simulati gli effetti dell'interazione delle particelle con i rivelatori di ALICE. I dati del fondo, invece, sono dati reali raccolti durante la RUN 2 di ALICE. La rete è in grado di distinguere i dati appartenenti alle due classi con buone accuratezza, precisione e sensibilità.