Dissertation/ Thesis
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
| Title: | 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 |
|---|---|
| Authors: | Ricart, Gabriel |
| Contributors: | Département de Physique Nucléaire (ex SPhN) (DPHN), Institut de Recherches sur les lois Fondamentales de l'Univers (IRFU), Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA), Laboratoire Leprince-Ringuet (LLR), Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-École polytechnique (X), Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris)-Centre National de la Recherche Scientifique (CNRS), Université Paris-Saclay, Alberto Baldisseri, Frédéric Fleuret, Michael Winn |
| Source: | https://theses.hal.science/tel-05387296 ; High Energy Physics - Experiment [hep-ex]. Université Paris-Saclay, 2025. English. ⟨NNT : 2025UPASP065⟩. |
| Publisher Information: | CCSD |
| Publication Year: | 2025 |
| Subject Terms: | Graph Neural Networks, Machine Learning, Tracking, Fixed-Target, Hadronization, Heavy-Flavor, Réseaux de neurones graphiques, Apprentissage automatique, Trajectographie, Cible fixe, Hadronisation, Saveur lourde, [PHYS.HEXP]Physics [physics]/High Energy Physics - Experiment [hep-ex] |
| Description: | 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 transverse momentum and rapidity, and results are compared with previous measurements to explore hadronization universality. Although the integrated cross-section production ratios support this hypothesis, the differential measurement of the D+-D- asymmetry hints toward a hadronization process dependent on the distance to the beam rapidity, questioning the charm fragmentation functions universality. The second part focuses on the use of graph neural networks (GNNs) for segment classification in the future LHCb Upstream Pixel detector. An optimization of the graph construction from simulated data is performed, and a model specially implemented is trained and evaluated on the produced graph dataset. The obtained segment classification exhibits a clear increase of the purity while keeping a high efficiency. ; 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 ... |
| Document Type: | doctoral or postdoctoral thesis |
| Language: | English |
| Relation: | NNT: 2025UPASP065 |
| DOI: | 10.70675/63e3da3dzc793z4951z8d3dz251389bc31d8 |
| Availability: | https://theses.hal.science/tel-05387296 https://theses.hal.science/tel-05387296v1/document https://theses.hal.science/tel-05387296v1/file/153250_RICART_2025_archivage.pdf https://doi.org/10.70675/63e3da3dzc793z4951z8d3dz251389bc31d8 |
| Rights: | https://about.hal.science/hal-authorisation-v1/ ; info:eu-repo/semantics/OpenAccess |
| Accession Number: | edsbas.E0BC81B3 |
| Database: | BASE |
| DOI: | 10.70675/63e3da3dzc793z4951z8d3dz251389bc31d8 |
|---|