Study of three-body Bose-Einstein correlations in LHCb and development of the reconstruction algorithms based on machine learning

Abstract

Niniejsza rozprawa opisuje przeprowadzone badania korelacji Bosego-Einsteina dla trójek jednoimiennie naładowanych pionów. Wykorzystane przypadki zostały zarejestrowane przez eksperyment LHCb ze zderzeń proton-proton przy energii w układzie środka masy √s = 7 TeV. Jest to pierwsza analiza dotycząca trzyciałowych korelacji Bosego-Einsteina w obszarze dużych pseudopośpieszności, charakterystycznego dla detektora LHCb oraz jest to pierwsze zastosowanie modelu core-halo do interpretacji wyników w zderzeniach proton-proton. Parametry modelu core-halo są wyznaczone dla różnych zakresów krotności cząstek naładowanych. Wraz ze wzrostem krotności cząstek naładowanych, obserwowana zależność może wskazywać na częściowo koherentną emisję pionów. Otrzymane wyniki są zaprezentowane w kontekście innych badań dotyczących tego zjawiska. Druga część rozprawy porusza temat rosnących wymagań na szybką i wydajną rekonstrukcję śladów w eksperymentach fizyki wysokiej energii oraz możliwości zastosowania technik uczenia maszynowego. Zaproponowane oryginalne rozwiązanie wykorzystuje głęboką sieć neuronową do rekonstrukcji śladów w eksperymencie MUonE dedykowanemu poszukiwaniom śladów Nowej Fizyki w sektorze anomalnego momentu magnetycznego muonu. Przedstawiona implementacja spełnia uwarunkowania jakościowe klasycznego algorytmu w zakresie rekonstrukcji, jednocześnie stanowiąc dogodną podstawę do dalszych badań.

This thesis describes studies on the Bose-Einstein correlations for the triplets of same-sign pions. The events used in the analysis were recorded by the LHCb experiment in proton-proton collisions at centre-of-mass energy of √s = 7 TeV. This is the first study of three-body Bose-Einstein correlations in forward region of pseudorapidity of the LHCb detector and the results are interpreted in the core-halo model for the first time in proton-proton collisions. The parameters of the core-halo model are determined in bins of charged particle multiplicity. A tendency is observed that with growing charged particle multiplicity the signs of coherent particle emission can be observed. The results are presented in the context of other analyses in this field. The second part of this dissertation is devoted to growing needs for fast and efficient track reconstruction in high energy physics experiments that are addressed with the help of machine learning techniques. A proof-of-concept solution based on the deep neural network is proposed for the MUonE experiment and is promising in the search for New Physics in the sector of anomalous magnetic moment of a muon. The presented implementation meets the conditions of classical reconstruction and at the same time it constitutes a convenient basis for further research.