Tecniche di "Machine Learning" per discriminazione γ/π0 in un calorimetro Dual-Readout ad alta granularità per sperimentazione a futuri acceleratori

Experimentation in high energy physics is based on the measurement of the products of the collision between two particles through large detection apparatus, and on the reconstruction of these products starting from the electronic signals using complex calculation programs. One of the main operations of such algorithms is the discrimination between different types of particles. A significant case is the distinction between a single photon and the decay of a neutral pion into two photons. Both of these particles are detected as localized deposits of energy in an electromagnetic calorimeter, but with different topologies. In this project we address the γ/π0 separation problem through the use of various "Machine Learning" techniques. The methods discussed here are developed using simulated data from the IDEA detector's prototype Dual-Readout calorimeter. Thanks to the high granularity of this device, which allows for unprecedented spatial resolution, the energy deposits produced by the two types of particles can be assimilated to images. It is for this reason that traditional "Machine Learning" methods, such as neural networks and decision trees, can be combined with innovative image recognition techniques, using convolutional networks. The aim of this project is therefore to explore these new possibilities, comparing the results with those obtained through traditional methods.

La sperimentazione in fisica delle alte energie si basa sulla misura dei prodotti della collisione tra due particelle attraverso apparati di rivelazione di grandi dimensioni, e sulla ricostruzione di tali prodotti a partire dai segnali elettronici utilizzando complessi programmi di calcolo. Una delle operazioni principali di tali algoritmi è la discriminazione tra differenti tipi di particelle. Un caso significativo è costituito dalla distinzione tra un singolo fotone e il decadimento di un pione neutro in due fotoni. Entrambe queste particelle sono rivelate come depositi localizzati di energia in un calorimetro elettromagnetico, ma con diverse topologie. In questo progetto si affronta il problema di separazione γ/π0 mediante l’utilizzo di diverse tecniche di “Machine Learning”. I metodi qui trattati sono sviluppati utilizzando i dati simulati del prototipo del calorimetro Dual-Readout del rivelatore IDEA. Grazie all’elevata granularità di questo dispositivo, che permette una risoluzione spaziale senza precedenti, i depositi di energia prodotti dalle due tipologie di particelle sono assimilabili ad immagini. E’ per questo motivo che i metodi tradizionali di “Machine Learning”, come reti neurali e alberi decisionali, possono essere affiancati ad innovative tecniche di riconoscimento di immagini, impiegando reti convoluzionali. Lo scopo di questo progetto è quindi quello di esplorare queste nuove possibilità, confrontandone i risultati con quelli ottenuti tramite i metodi tradizionali.