Algoritmi di Machine-Learning (ML) sono largamente utilizzati per svariati ambiti nella fisica sperimentale della particelle elementari. Uno degli ambiti dove l'applicazione di algoritmi ML è in rapido sviluppo è nella selezione on-line dei dati sperimentali per gli esperimenti ad LHC. Infatti, LHC impone stringenti limiti temporali all'elettronica di acquisizione degli esperimenti dove in pochi microsecondi è necessario selezionare gli eventi di interesse.
Algoritmi di ML tradizionali non sono pensati per girare in "real-time" e i tempi di inferenza sono ben maggiori di quelli necessari agli esperimenti per una selezione on-line. Tuttavia, sviluppi commerciali recenti si stanno focalizzando verso la produzione di tecnologie mirate a migliorare le prestazioni degli algoritmi di ML, come ad esempio GPU e accelerator card che diminuiscono sostanzialmente il tempo necessario per l'inferenza di queste tecniche.
Questo progetto si propone di implementare algoritmi ML per la selezione on-line di eventi di interesse per gli esperimenti ad LHC.
-------------------------------------------
si noti come la data della scadenza del contratto sia sbagliata. In quanto sono risultato vincitore di un secondo assegno e ho firmato un nuovo contratto che scade il 30 Giugno 2022: https://web.uniroma1.it/trasparenza/sites/default/files/DECRETO%20APPROV... come scritto nell'autodichiarazione.
Come già affermato, algoritmi di ML sono utilizzati in una grande varietà di ambiti in generale e all'interno degli esperimenti ad LHC in particolare. Dalla ricostruzione di tracce, getti, etc... a tecniche di calibrazione fino alla classificazione per discriminare segnale dal fondo, gli algoritmi ML hanno dimostrato di avere un grande potenziale.
L'attività per implementare algoritmi ML all'interno del trigger per un inferenza veloce e performante è in rapido sviluppo. Nonostante il grande interesse della comunità e i grandi passi avanti fatti in questa direzione negli ultimi anni, ad oggi, non c'è ancora un implementazione che utilizzi tecniche ML moderne, come le GNN, all'interno del trigger degli esperimenti ATLAS o CMS. Questo progetto si propone di colmare questo vuoto e produrre una primo risultato di un implementazione di un algoritmo di trigger basato su ML. I risultati in termini di tempo di inferenza, risorse logiche dell FPGA, e delle performance dell algoritmo saranno di grande interesse per la comunità sperimentale.
Una volta quantificate queste performance in dettaglio si potrà infatti procedere all'implementazione di trigger di primo o secondo livello, in base ai risultati ottenuti, ed ampliare l'interesse della fisica prodotta ad LHC. Ad esempio, un tale sistema potrebbe essere potenzialmente utile per abbassare le soglie di trigger dei muoni nell upgrade al alta luminosità (HL-LHC) dove lo studio dettagliato della recente misura del coupling di Yukawa dell Higgs ai muoni sarà fondamentale. Altre alternative interessanti includono trigger di alto livello specifici per segnali di nuova fisica non ancora ricercati ad LHC dove particelle di lunga vita media decadono nello spettrometro a muoni.