Descrizione: varie analisi condotte dal gruppo potrebbero beneficiare dall'esplorazione di metodi di ML applicati, ad esempio, alla discriminazione tra segnale e fondo, anche usando reti neurali parametriche, o simili. Lo studente familiarizzerebbe sia con le analisi, sia con metodi di ML applicati ad esse.  

Contact person: Prof. Daniele Bonacorsi

Progetto modulabile per tesi Triennali, Magistrali e di Dottorato

Durata e skills: 3-9 mesi. Richiesta conoscenza di base di sistemi Unix e problematiche connesse all'analisi dati in HEP.

Descrizione: analisi dati per la misura di proprietà del bosone di Higgs e per misure di precisione in B-Physics. Tali misure consentono anche, indirettamente, la ricerca di nuova fisica. Inoltre, per mezzo di simulazioni, è possibile studiare la capacità del sistema di rivelatori per muoni di CMS di contribuire a ricerche dirette di nuova fisica (ad esempio tracce che originano a grande distanza dal punto della collisione, particelle “lente”, eccetera) immaginando nuovi sistemi di misura e selezione degli eventi che potranno essere implementati con gli upgrade del rivelatore.

Contact person: Prof. Luigi Guiducci 

Progetto modulabile per tesi Triennali e Magistrali

Durata e skills: 2-7 mesi. Richiesta programmazione C++ e/o python e esperienza minima di ROOT.

Descrizione: ricerca di risonanze scalari neutre nel canale di decadimento mu⁺mu^-, consistenti con il meccanismo di produzione di eventuali bosoni di Higgs aggiuntivi oltre a quello previsto dal Modello Standard, e già rivelato a una massa di circa 125 GeV. Questo canale, seppure penalizzato in termini di sezione d'urto rispetto ad altri, ha il vantaggio di una completa e precisa ricostruzione dello stato finale, grazie alla eccellente risoluzione del rivelatore a muoni dell'esperimento CMS. La separazione segnale/fondo, tradizionalmente effettuata tramite opportuni tagli sulle variabili maggiormente discriminanti, può essere effettuata anche tramite tecniche di machine learning, che sono attualmente in fase di studio.

Contact person: Dott. Stefano Marcellini

Tesi Magistrali

Durata e skills: 5-7 mesi. Richiesta programmazione C++ e/o python e esperienza minima di ROOT.

Descrizione: l'uso efficace e ad alte prestazioni di reti neurali richiede il training di tali reti su risorse che spesso non sono "on premise" ma che sono accessibili attraverso interfacce cloud. Lo studente si inserirebbe in attività in corso su prototipi di tali sistemi.

Contact person: Prof. Daniele Bonacorsi

Progetto modulabile per tesi Triennali, Magistrali e di Dottorato

Durata e skills: 6-9 mesi. Richiesta conoscenza di base di sistemi Unix, concetto di Cloud. Preferibile conoscenza di Python/Go, e reti neurali. 

Descrizione: la vasta mole di dati in forma di log prodotti dai sistemi di calcolo di LHC richiedono approcci innovativi per estrarre informazioni utili a per modellizzare la risposta dei sistemi di calcolo a condizioni problematiche, al fine di sviluppare strumenti con potenzialità predittive. Lo studente familiarizzerebbe con metodi di ML e tecniche di Big Data Analytics.

Contact person: Prof. Daniele Bonacorsi

Tesi Magistrale

Durata e skills: 6 mesi. Preferibile conoscenza di base di sistemi Unix, di Python e di ambienti Big Data.

Descrizione: in vista di HL-LHC, alcune soluzioni algoritmiche usate finora per il trigger di muoni in CMS richiede una revisione e una possibile prototipizzazione di approcci data-driven innovativi. Lo studente familiarizzerebbe con metodi di ML applicati in questo contesto.

Contact person: Prof. Daniele Bonacorsi

Progetto modulabile per tesi Triennali, Magistrali e di Dottorato

Durata e skills: 2-9 mesi. Richiesta conoscenza di base di sistemi Unix e problematiche connesse al Trigger in esperimenti LHC.

Descrizione: ad High Luminosity LHC, per affrontare la presa dati ad altissimo rate di interazioni, sarà costruito un sistema di selezione on-line degli eventi (trigger) completamente nuovo. L’obiettivo di questa tesi è di ideare e/o studiare metodi innovativi di ricostruzione delle tracce dei muoni, che potranno poi essere realizzate in hardware, su risorse di ultima generazione disponibili per l'upgrade di CMS, migliorando le prestazioni che si possono ottenere con i sistemi presenti.

Contact person: Prof. Luigi Guiducci 

Progetto modulabile per tesi Triennali e Magistrali

Durata e skills: 2-7 mesi. Richiesta programmazione C++ e/o python e esperienza minima di ROOT.

Descrizione: per continuare a funzionare durante tutta la presa dati di High Luminosity LHC, i rivelatori di CMS dovranno sopportare una dose di radiazioni molto superiore a quanto considerato ai tempi della progettazione e costruzione. È quindi di vitale importanza capire il modo in cui le prestazioni (efficienza, risoluzione, rumore, eccetera) cambiano nel tempo e con la luminosità dell’acceleratore. Una grossa mole di dati raccolta sia dall’esperimento che in un’apposito sistema di irraggiamento accelerato è disponibile per effettuare analisi che possano fornire previsioni per il funzionamento futuro dell’apparato.

Contact person: Prof. Luigi Guiducci  

Progetto modulabile per tesi Triennali e Magistrali

Durata e skills: 2-7 mesi. Richiesta programmazione C++ e/o python e esperienza minima di ROOT.

Descrizione: la comprensione dei dettagli del funzionamento di rivelatori complessi come CMS è un compito fondamentale per assicurare la capacità di produrre risultati scientifici solidi ed è di forte interesse per la collaborazione, ha inoltre un grande valore formativo per i futuri fisici nel campo delle alte energie.

Contact person: Prof. Luigi Guiducci 

Progetto modulabile per tesi Triennali e Magistrali

Durata e skills: 2-7 mesi. Richiesta programmazione C++ e/o python e esperienza minima di ROOT.

Descrizione: in un ambiente a grandissima densità di tracce e di radiazione come quello di un esperimento a LHC, la frequenza di segnali prodotti dal background supera quella dei segnali prodotti da muoni.
Questo può complicare la ricostruzione degli eventi e causare invecchiamento del rivelatore.
E' importante comprendere le origini e le caratteristiche esatte del background per garantire il buon funzionamento del rivelatore, soprattutto in vista degli ulteriori aumenti di luminosità istantanea previsti per LHC nei prossimi anni.

Contact person: Dott.ssa Francesca Cavallo

Progetto modulabile per tesi Triennali e Magistrali. Per una tesi Magistrale  può essere ampliata con studi di "invecchiamento" del rivelatore e simulazioni.

Durata e skills: 2-7 mesi. Richiesta minima conoscenza di programmazione C++.