8–10 Apr 2026
DAMA Tecnopolo - Bologna
Europe/Rome timezone

Identificazione di quark top con algoritmi di Machine Learning nell'esperimento CMS ad LHC

8 Apr 2026, 19:13
1m
Poster Frontiera dell'Energia Frontiera dell'Energia

Speakers

Andrea Camilla Puglia (Istituto Nazionale di Fisica Nucleare) Andrea Camilla Puglia

Description

In molte delle teorie che propongono di estendere il Modello Standard (MS) il quark top assume un ruolo cruciale, essa infatti è la particella più massiva del MS ed ha un'interazione privilegiata con il bosone di Higgs. Alcuni modelli oltre il MS prevedono quark top prodotti in regimi energetici variabili a seconda della natura dell'interazione prevista, e per questo motivo è fondamentale ricostruire il quark top efficientemente su uno spettro energetico quanto più esteso possibile, con particolare attenzione al suo decadimento adronico risultante in configurazioni con getti ("jet") di particelle nello stato finale, prodotti dall'adronizzazione di tre quark. All'interno della collaborazione Compact Muon Solenoid (CMS) sono stati proposti e testati numerosi algoritmi di identificazione di jet adronici originati da particelle massive del MS, come il quark top, sfruttando moderne tecniche di Machine Learning che permettono di svolgere analisi multivariate e discriminare tra jet di fondo e segnale efficientemente. In questo contributo verrà descritto uno degli ultimi esempi di algoritmi di top-tagging, sviluppato per identificare il quark top in decadimento adronico su un ampio regime cinematico, le sue prestazioni su dati del Run-III di LHC e le sue potenziali applicazioni future a scenari BSM.

Authors

Andrea Camilla Puglia (Istituto Nazionale di Fisica Nucleare) Andrea Camilla Puglia

Presentation materials