Estudo da modificação de jatos em colisões entre íons-pesados relativísticos com técnicas de aprendizado de máquina

• Ano de defesa: 2026
• Autor(a) principal: Silva, Leonardo Lima da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Artificial Intelligence; Cromodinâmica Quântica; Física de Altas Energias; Heavy-Ion; High Energy Physics; Inteligência Artificial; Íons Pesados; Plasma de Quarks e Glúons; Quantum Chromodynamics; Quark-Gluon Plasma
• Link de acesso: https://teses.usp.br/teses/disponiveis/43/43134/tde-04032026-190631/

Esta dissertação investiga modificações em jatos induzidas pelo meio formado em colisões ultra-relativísticas de íons pesados, adotando uma abordagem jato a jato. Jatos são sprays colimados de hádrons originados da fragmentação de pártons produzidos em espalhamentos duros, e sua modificação constitui uma sonda poderosa do plasma de quarks e glúons. Amostras de Monte Carlo geradas com o \\textsc{Jewel}, Jet Evolution With Energy Loss, são utilizadas para comparar duas descrições do meio. A primeira combina condições iniciais de Glauber com um modelo hidrodinâmico de Bjorken. A segunda adota condições iniciais do T$_\\mathrm{R}$ENTo e uma evolução hidrodinâmica mais realista baseada no v-USPhydro (2+1)D evento a evento. Os jatos são reconstruídos com o algoritmo anti-$k_T$ com raio $R=0.4$, reclusterizados com Cambridge/Aachen e submetidos a grooming com Soft Drop. A partir da árvore de declustering, são construídas duas representações complementares da subestrutura dos jatos. A representação estática é definida por um conjunto compacto de observáveis extraídos no primeiro splitting resolvido. A representação sequencial preserva todo o histórico de declustering e a evolução passo a passo do chuveiro. Ambas as representações são construídas para colisões próton-próton e chumbo-chumbo a uma energia no centro de massa de 5.02 TeV. Os efeitos de meio são explorados com métodos de aprendizado de máquina supervisionados e não supervisionados, com o objetivo de identificar jatos suprimidos pelo meio. Os modelos supervisionados incluem Florestas Aleatórias e arquiteturas sequenciais de aprendizado profundo baseadas em LSTMs e Transformers. A interpretabilidade dos modelos é estudada por meio de valores SHAP, a fim de determinar quais variáveis de subestrutura e quais etapas do declustering mais contribuem para a classificação, indicando que as primeiras etapas do declustering concentram a maior parte do poder discriminante para os jatos considerados neste trabalho. Abordagens não supervisionadas baseadas em K-means e em clusterização no espaço latente de autoencoders também são investigadas para testar se jatos quenched e unquenched podem ser separados sem rótulos. Embora esses métodos identifiquem aglomerados no espaço de features, eles não correspondem naturalmente às categorias físicas de quenching procuradas, evidenciando a sutileza das assinaturas induzidas pelo meio em nível jato a jato. No geral, apenas os modelos supervisionados alcançam desempenho significativo, com as arquiteturas sequenciais apresentando o maior poder discriminativo. Isso indica que o histórico de declustering contém informação além de observáveis resumidos e permanece sensível às diferenças entre as descrições de meio consideradas nesta dissertação.