Texto completo
| |
| Autor(es): |
Gabriel Reis Garcia
Número total de Autores: 1
|
| Tipo de documento: | Tese de Doutorado |
| Imprenta: | Campinas, SP. |
| Instituição: | Universidade Estadual de Campinas (UNICAMP). Instituto de Física Gleb Wataghin |
| Data de defesa: | 2023-11-24 |
| Membros da banca: |
Jun Takahashi;
Pedro Cunha de Holanda;
Ettore Segreto;
Andre Sznajder;
Tiago Fiorini da Silva
|
| Orientador: | Jun Takahashi |
| 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 (AU) | |
| Processo FAPESP: | 19/03743-0 - Estudo e aplicação de métodos de análises multivariacionais em dados do experimento ALICE |
| Beneficiário: | Gabriel Reis Garcia |
| Modalidade de apoio: | Bolsas no Brasil - Doutorado Direto |