Il progetto per obiettivo la misura precisa dell'accoppiamento di
Yukawa del bosone di Higgs ai quarks b nel canale di produzione
associata con un bosone di gauge, al LHC (CERN) con l'esperimento
ATLAS. Il progetto comporta due parti distinte. La prima porta
sull'analisi dei dati del second Run dell'LHC. La seconda sullo
sviluppo di un nuovo algoritmo di ricostruzione di jets di quarks b
basato sui decadimenti semi leptonici di adroni b in elettroni.
La misura dell'accoppiamento del bosone di Higgs ai quarks b, è uno
dei risultati più importanti e fondamentali al LHC, in quanto verifica
diretta del meccanismo responsabile per le masse dei fermioni nel
Modello Standard. Questa misura è molto importante anche perché la
larghezza parziale del bosone di Higgs più grande nel Modello Standard è quella del decadimento in quarks b, e dunque dalla precisione della misura di questo decadimento dipende anche la precisione delle misure di tutti gli accoppiamenti del bosone di Higgs al LHC.
L'esperimento ATLAS non ha finora usato algoritmi di tagging di jets di quarks b usando elettroni non isolati. Inoltre l'approccio proposto si basa su tecniche state-of-the-art di machine learning (Graph Neural Networks e Deep Sets). Questi sviluppi aprono una via nuova per la ricostruzione di eventi di collisioni ad alta energia. Hanno un immenso vantaggio di semplificazione della ricostruzione e tipicamente permettono un guadagno significativo in termine di performance. Come abbiamo sottolineato nel progetto, un punto fondamentale per lo sviluppo di tali algoritmi è la possibilità di calibrarne le performance in maniera indipendente usando dati.
Con la grande quantità e complessità dei dati che raccolgono, gli esperimenti di colliders di alta energia sono ideali per lo sviluppo di algoritmi state-of-the-art di Deep Learning e avranno un'impatto importante a medio e lungo termine su l'insieme dei progetti di alte energie. Avere competenze in questo campo è una scelta strategica importante per i gruppi di questi esperimenti.