Speaker
Description
La classificazione dei jet adronici in base al loro sapore, utile per l’identificazione delle particelle prodotte in collisioni ad alta energia, ha beneficiato di un notevole miglioramento con l’introduzione di tecniche di machine learning. A tale proposito, l’esperimento ATLAS ha recentemente sviluppato le reti neurali GN2 e GN3, che parallelamente svolgono anche l’identificazione dell’origine delle tracce e dei vertici secondari all’interno dei jet. La struttura di tali reti neurali è stata ripresa e adattata al riconoscimento di jet costituenti possibili segnature di fisica oltre il Modello Standard, anch’essi caratterizzati dalla presenza di vertici secondari: i cosiddetti Emerging Jet.
Alcuni modelli per la Materia Oscura prevedono l’esistenza di un Settore Oscuro, composto da Dark Quark e Dark Gluon che interagiscono tra loro attraverso una Dark QCD, simile alla QCD del Modello Standard. Una o più particelle, dette portali, si accoppiano a entrambi i settori Dark e Standard.
Agli acceleratori i Dark Quark possono venire prodotti attraverso questi portali in collisioni adroniche o leptoniche, e quindi iniziare uno sciame partonico e adronizzare in particelle di Materia Oscura, che formano jet detti Dark Jet. In base alla vita media delle particelle costituenti i Dark Jet e alla loro probabilità di decadere in particelle visibili del settore Standard, si identificano diversi stati finali, tra cui Semi-Visible ed Emerging Jet.
La rete neurale GN3ej, in una sua prima versione, è stata utilizzata per l’identificazione di Emerging Jet nella prima ricerca di tale segnatura ad ATLAS, effettuata sui dati raccolti nel 2022 e 2023.
Saranno presentati gli ultimi studi sull’ottimizzazione del riconoscimento degli Emerging Jet tramite la rete neurale GN3ej e le prospettive per una sua futura applicazione nelle analisi dei dati raccolti durante il Run 3 dall’esperimento ATLAS.