Classificação baseada em ML de fótons e mésons neutros para colisões Pb–Pb registradas pelo ALICE

Fótons diretos são sondas únicas para estudar e caracterizar o plasma de quark-gluon (QGP), uma vez que são produzidos em todas as etapas das colisões de íons pesados e deixam o meio da colisão praticamente ileso. Medidas em altas energias do Grande Colisor de Hádrons (LHC) a baixos p T revelam um sinal térmico de fótons muito pequeno acompanhado de consideráveis incertezas sistemáticas. A redução de tais incertezas, que surgem das medições de π 0 e η e da identificação de fótons, é crucial para obter resultados significativos a serem comparados com os cálculos teóricos disponíveis. Para enfrentar esses desafios, uma abordagem inovadora utilizando técnicas de aprendizado de máquina (ML) foi implementada para a classificação de fótons. Um conjunto de frameworks de código aberto, compreendendo pacotes hipe4ml e scikit-learn, foi escolhido para treinar, validar e testar o modelo em uma parte dos dados Pb–Pb da Corrida 2 com energia de colisão de √ s NN = 5,02 TeV. Neste artigo, a performance da nova abordagem em comparação à análise padrão baseada em cortes é apresentada. Descobertas iniciais utilizando árvores de decisão com boosting de gradiente demonstram um aumento substancial na pureza de fótons enquanto preservam níveis de eficiência comparáveis aos do método padrão baseado em cortes. Estratégias para lidar com conjuntos de dados altamente desbalanceados, incluindo técnicas como redução de características durante o treinamento e a implementação de fatores de penalidade escalonados para aumentar a discriminação entre sinal e fundo, também são abordadas. Finalmente, a viabilidade de incorporar tais métodos de ML no fluxo de trabalho principal da análise de fótons diretos também é apresentada.