Selezione degli eventi di KM3NeT/ORCA tramite machine learning

• Main Author: Vinaga, Alexandru Georgian
• Other Authors: Spurio, Maurizio, Del Rosso, Ilaria, Illuminati, Giulia
• Format: Bachelor Thesis
• Language: Italian
• Published: Alma Mater Studiorum - Università di Bologna 2024
• Subjects: Neutrini,Raggi cosmici,KM3NeT/ORCA,Eventi di fondo,Traccia,Muoni atmosferici,Machine learning,Boosted Decision Tree,Classificatori,Tagli di insiemi di dati; Fisica [L-DM270]; Orca
• Online Access: https://amslaurea.unibo.it/id/eprint/34088/

I neutrini sono particelle molto elusive, in quanto possono interagire solo tramite processi deboli. Queste interazioni avvengono con probabilità molto basse, e i neutrini possono quindi propagarsi liberamente anche su distanze astronomiche e attraverso la materia. Ciò li rende particolarmente importanti in astrofisica, in quanto non vengono deviati da campi magnetici e quindi permettono di determinare la direzione della sorgente che li ha prodotti. Inoltre, poichè si possono propagare nella materia, possono portare informazioni anche sulla struttura interna della loro sorgente. Il fatto che siano poco interagenti implica tuttavia che siano anche molto difficili da rivelare. A questo scopo si stanno costruendo detector molto vasti come KM3NeT/ORCA, un telescopio di neutrini sottomarino situato al largo della costa di Tolone (Francia). ORCA è calibrato per la rivelazione di neutrini di energie relativamente basse, originati dalle interazioni dei raggi cosmici con l’atmosfera, per risolvere il problema delle oscillazioni di neutrino e della gerarchia di massa. Per fare questo viene analizzata la radiazione Cerenkov prodotta in seguito alle interazioni dei neutrini con i nuclei dell’acqua. Poichè sono presenti altri processi che producono fotoni, come interazioni di altre particelle dei raggi cosmici o radioattività naturale, occorre un modo per isolare gli eventi prodotti dai neutrini da questo fondo. In questo lavoro si presenta una tecnica basata su algoritmi di machine learning, che partendo da dati simulati tramite Monte-Carlo permettono di costruire Boosted Decision Trees calibrati in modo da ridurre il più possibile il fondo, assegnando a ogni evento uno score che rappresenta quanta sicurezza si ha che l’evento non faccia parte del fondo.