Ricerc@Sapienza

Lo studio delle proprietà del bosone di Higgs, scoperto alla fine del 2012 dagli esperimenti al collisore protone-protone LHC del CERN, e la ricerca di effetti inaspettati di nuova fisica, rappresentano i settori di maggiore interesse nel programma di ricerca che verrà portato avanti nei prossimi anni a LHC.
Per massimizzare il potenziale di scoperta sarà cruciale migliorare sensibilmente la capacità degli esperimenti di individuare le caratteristiche peculiari che contraddistinguono i segnali dovuti alle particelle prodotte dal decadimento del bosone di Higgs rispetto ai segnali dominanti dovuti ai processi di fondo del Modello Standard.
Da questo punto di vista una delle possibilità più attraenti è quella di sfruttare il successo recentemente ottenuto dagli algoritmi di deep learning nel risolvere problemi di classificazione e patter recognition. I pattern dei segnali rilasciati nei rivelatori degli esperimenti LHC possono infatti essere interpretati e rappresentati in modo simile ad immagini fotografiche, e quindi al pari di queste possono in principio essere analizzati attraverso l'uso di reti neurali.
La limitazione principale a tale approccio è legata alla forte sparsificazione dei dati raccolti negli esperimenti LHC, caratteristica che riduce sostanzialmente le prestazioni degli algoritmi più noti di deep learning oggi disponibili.

In questo progetto di ricerca si vogliono sviluppare algoritmi innovativi di deep learning per la classificazione di immagini altamente sparsificate, basate su reti neurali profonde a bassa precisione, e applicare tali algoritmi a due analisi di ricerca portate avanti presso l'esperimento ATLAS a LHC: la misura del decadimento del bosone di Higgs in una coppia di b-quark e la ricerca di decadimenti esotici del bosone di higgs in particelle a lunga vita media che decadono in getti adronici collimati.