Deep Learning for Jet Quenching

A modificação de jatos de alta energia pelo plasma de quarks e gluões é uma sonda central da matéria partónica quente e densa. Esta tese aborda uma fonte persistente de incerteza em análises de iões pesados baseadas em jatos: a interação entre a contaminação do evento subjacente (underlying event) e a resposta do meio. Primeiro, recorrendo a amostras simuladas de protão–protão e chumbo–chumbo com condições controladas de evento subjacente e de resposta do meio, este trabalho quantifica de que forma as flutuações induzidas pelo evento subjacente distorcem observáveis padrão de jatos e amplificam sinais aparentes de modificação de jatos, caso a subtração não seja tratada de forma simétrica entre sistemas.

Segundo, é apresentado um estudo de discriminação jato-a-jato entre jatos modificados e não modificados usando modelos de aprendizagem automática informados por física. Terceiro, é utilizada uma arquitetura Transformer para quantificar a fração de jatos com comportamento semelhante a jatos de vácuo em colisões de iões pesados. Redes de fluxo de energia treinadas ao nível dos constituintes superam referências definidas em N-subjicidade e polinómios de fluxo de energia, enquanto classificadores baseados em Transformers permitem uma extração conservadora da fração de jatos tipo vácuo em chumbo-chumbo. Aumentar as redes de fluxo de energia com observáveis de alto nível padronizados produz ganhos adicionais e robustos, atingindo uma ROC AUC ≃ 0.83 com estabilidade em validação cruzada.