Aplicação de métodos de aprendizado de máquina para reconstrução de estranheza em dados de colisões de íons pesados do experimento ALICE

• Processo: 22/01562-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado Direto
• Data de Início da vigência: 01 de agosto de 2022
• Data de Término da vigência: 31 de janeiro de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física Nuclear
• Pesquisador responsável: Jun Takahashi
• Beneficiário: Gabriel Reis Garcia
• Supervisor: Alexander Kalweit
• Instituição Sede: Instituto de Física Gleb Wataghin (IFGW). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Instituição Anfitriã: European Organization for Nuclear Research (CERN), Suíça
• Vinculado à bolsa: 19/03743-0 - Estudo e aplicação de métodos de análises multivariacionais em dados do experimento ALICE, BP.DD
• Assunto(s): Experimento ALICE Inteligência artificial Grande Colisor de Hádrons Aprendizado computacional Íons pesados relativísticos
• Palavra(s)-Chave do Pesquisador: Experimento ALICE | Inteligência Artificial | Lhc | machine learning | Quark-Gluon Plasma | Reconstrução de Estranheza | Ions Pesados Relativísticos

Resumo

Projeto BEPE como parte do processo de doutorado direto, "Estudo e aplicação de métodos de análise multivariacionais em dados do experimento ALICE", que tem como foco o desenvolvimento de técnicas de Machine Learning (ML) para análise de dados do ALICE. O projeto está sendo desenvolvido dentro do grupo HadEx do IFGW na UNICAMP que é membro oficial da colaboração ALICE. O objetivo deste projeto será aplicar as técnicas de ML que foram desenvolvidas nos últimos três anos do doutorado para reconstruir todos os Bárions Multi-Estranhos no conjunto de dados completo medido pelo experimento ALICE em 2015. Tal análise é um trabalho em andamento do ALICE Strangeness Physics Analysis Group (PAG) e sabemos que o ML pode melhorar tanto a eficiência quanto a significância dessa análise, como mostramos no último Relatório Científico de Doutorado em um subconjunto dos dados experimentais. Acreditamos que o contato direto e a colaboração do aluno e dos demais pesquisadores do Strangeness PAG do CERN é muito importante tanto para o desenvolvimento da análise quanto para a conclusão do objetivo principal do doutorado. (AU)