studi di machine learning per l'identificazione di particelle con l'esperimento ALICE al CERN

The ALICE experiment(A Large Ion Collider Experiment) is one of the four large experiments at the CERN Large Hadron Collider (LHC), the only one dedicated to the study of the nuclear matter at high energy density created via heavy-ion collisions. One of the main feature of ALICE is the great particle identification (PID) capability, which is performed with different detectors. In this thesis, the usege of machine learning techniques is explored to improve the PID performance. In particular, the "OnevsRest" classifier from sklearn library, through the construction pf a Gradient Boosting Decision Tree implemented from XGBoost library was used to identify electrons, pions, kaons, protons and deuterons. Lastly, the performance has been compared with the one obtained from a multi-classification implemented in the Gradient Boosting of XGBoost.

L'esperimento ALICE (A Large Ion Collider Experiment) è uno dei quattro grandi esperimenti al CERN Large Hadron Collider (LHC), l'unico dedicato allo studio della materia nucleare ad alta densità di energia creata attraverso la collisione di ioni pesanti. Una delle caratteristiche principali di ALICE è l'ottima capacità di identificare particelle (PID), che viene effettuata con diversi detector. In questa tesi si è esplorato l'utilizzo di tecniche di machine learning per migliorare la performance di PID. In particolare si è utilizzato il classificatore ¿OnevsRest¿ della libreria sklearn, attraverso la costruzione di un Gradient Boosting Decision Tree implementati dalla libreria XGBoost per l'identificazione di elettroni, pioni, kaoni, protoni, e deutoni. Infine, si è confrontata la performance con quella ottenuta con una multi-classificazione implementata dal Gradient Boosting di XGBoost.