Λεπτομέρειες βιβλιογραφικής εγγραφής
| Τίτλος: |
Charged particle tracking in heavy-ion collisions in LHCb and data analysis in fixed-target collisions at the LHC ; Reconstruction des trajectoires des particules chargées dans des collisions d'ions lourds avec LHCb et analyse des données cible-fixe au LHC |
| Συγγραφείς: |
Ricart, Gabriel |
| Συνεισφορές: |
université Paris-Saclay, Baldisseri, Alberto, Fleuret, Frédéric, Winn, Michael |
| Έτος έκδοσης: |
2025 |
| Συλλογή: |
theses.fr |
| Θεματικοί όροι: |
Saveur lourde, Hadronisation, Cible fixe, Trajectographie, Apprentissage automatique, Réseaux de neurones graphiques, Heavy-Flavor, Hadronization, Fixed-Target, Tracking, Machine Learning, Graph Neural Networks |
| Περιγραφή: |
Cette thèse apporte une double contribution à l'étude des collisions d'ions lourds au LHC, en combinant des analyses de la production de mésons charmés dans les collisions proton-néon en mode cible fixe, avec le développement de méthodes d'apprentissage automatique pour la reconstruction des trajectoires des particules chargées dans la seconde phase de mise à niveau de l'expérience LHCb. La première partie présente des mesures de production et d'asymétrie de charge des mésons D+ et Ds dans des collisions pNe à √sNN = 68.5 GeV. Les sections efficaces différentielles ainsi que les asymétries sont extraites en fonctions de l'impulsion transverse et de la rapidité, puis comparées à des résultats antérieurs pour examiner la validité de l'universalité de l'hadronisation du charme. Bien que les ratio de section-efficaces intégrées soutiennent cette hypothèse, les mesures d'asymétries de charges différentielles du D+ et D- pointent vers un processus d'hadronisation dépendant de la distance avec la rapidité du faisceau, questionnant l'universalité des fonctions de fragmentation du charme. La seconde partie explore l'utilisation des réseaux de neurones graphiques (GNNs) pour la classification des segments dans le détecteur Upstream Pixel de LHCb. La construction des graphes à partir de données simulées est optimisée, et un modèle spécialement implémenté est entraîné et évalué sur le dataset ainsi créé. La classification des segments ainsi obtenue permet une nette augmentation de la pureté tout en maintenant une haute efficacité. ; This thesis presents a dual contribution to the study of heavy-ion collisions at the LHC, combining physics analyses of charm meson production in fixed-target proton-neon collisions with the development of machine learning methods for charge particle in the second phase of the LHCb detector upgrade program. The first part reports measurements of D+ and Ds+ meson production and charge asymmetry in pNe collisions at √sNN = 68.5 GeV. Cross-sections and asymmetries are obtained as a function of ... |
| Τύπος εγγράφου: |
thesis |
| Γλώσσα: |
English |
| Relation: |
https://theses.fr/2025UPASP065/document |
| Διαθεσιμότητα: |
https://theses.fr/2025UPASP065/document |
| Rights: |
Open Access ; http://purl.org/eprint/accessRights/OpenAccess |
| Αριθμός Καταχώρησης: |
edsbas.DBB4E8AF |
| Βάση Δεδομένων: |
BASE |