Speaker
Description
Una parte fondamentale del programma di fisica degli esperimenti al Large Hadron Collider (LHC) è la ricerca di fisica oltre il Modello Standard (BSM).
Le tecniche di analisi dati basate su anomaly detection (AD) stanno riscuotendo un notevole e crescente interesse nella comunità della fisica delle alte energie. Esse mirano ad identificare “anomalie” nei dati, ovvero eventi che si discostano in modo significativo dal fondo sperimentale senza assumere un particolare modello di nuova fisica BSM. In tal senso, le tecniche basate su algoritmi avanzati machine learning (ML) forniscono un potente supporto per lo sviluppo di analisi di tipo anomaly detection.
A differenza dei tradizionali metodi ML basati su classificazione supervisionata, i metodi di anomaly detection operano in modo non supervisionato o debolmente supervisionato. Un primo importante risultato sfruttando un algoritmo completamente non supervisionato è stato ottenuto dalla collaborazione ATLAS nello studio del canale di nuova fisica completamente adronico Y → XH → qqqq, dove una Variational Recurrent Neural Network è stata addestrata direttamente su jet adronici.
A partire da questo lavoro pionieristico, verranno esaminati i più recenti sviluppi nell’ambito dell’anomaly detection su stati finali completamente adronici all’interno della collaborazione ATLAS. In particolare, saranno discussi due principali approcci: Deep Transformer e Graph Anomaly Detection. Verranno, infine, presentati i primi risultati ottenuti dalla collaborazione ATLAS nella ricerca di risonanze dibosoniche ad alta massa in stati finali completamente adronici con dati del Run 3 ad LHC.