Dissertation/ Thesis
Προβολή σε EDS

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

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: 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
Πηγή: https://theses.hal.science/tel-05387296 ; High Energy Physics - Experiment [hep-ex]. Université Paris-Saclay, 2025. English. ⟨NNT : 2025UPASP065⟩.
Στοιχεία εκδότη: CCSD
Έτος έκδοσης: 2025
Θεματικοί όροι: 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]
Περιγραφή: 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 ...
Τύπος εγγράφου: doctoral or postdoctoral thesis
Γλώσσα: English
Relation: NNT: 2025UPASP065
DOI: 10.70675/63e3da3dzc793z4951z8d3dz251389bc31d8
Διαθεσιμότητα: 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
Αριθμός Καταχώρησης: edsbas.E0BC81B3
Βάση Δεδομένων: BASE
FullText Text:
  Availability: 0
CustomLinks:
  – Url: https://theses.hal.science/tel-05387296#
    Name: EDS - BASE (ns324271)
    Category: fullText
    Text: View record from BASE
Header DbId: edsbas
DbLabel: BASE
An: edsbas.E0BC81B3
RelevancyScore: 892
AccessLevel: 3
PubType: Dissertation/ Thesis
PubTypeId: dissertation
PreciseRelevancyScore: 891.935607910156
IllustrationInfo
Items – Name: Title
  Label: Title
  Group: Ti
  Data: 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
– Name: Author
  Label: Authors
  Group: Au
  Data: <searchLink fieldCode="AR" term="%22Ricart%2C+Gabriel%22">Ricart, Gabriel</searchLink>
– Name: Author
  Label: Contributors
  Group: Au
  Data: Département de Physique Nucléaire (ex SPhN) (DPHN)<br />Institut de Recherches sur les lois Fondamentales de l'Univers (IRFU)<br />Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA))<br />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))<br />Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)<br />Laboratoire Leprince-Ringuet (LLR)<br />Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-École polytechnique (X)<br />Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris)-Centre National de la Recherche Scientifique (CNRS)<br />Université Paris-Saclay<br />Alberto Baldisseri<br />Frédéric Fleuret<br />Michael Winn
– Name: TitleSource
  Label: Source
  Group: Src
  Data: <i>https://theses.hal.science/tel-05387296 ; High Energy Physics - Experiment [hep-ex]. Université Paris-Saclay, 2025. English. ⟨NNT : 2025UPASP065⟩</i>.
– Name: Publisher
  Label: Publisher Information
  Group: PubInfo
  Data: CCSD
– Name: DatePubCY
  Label: Publication Year
  Group: Date
  Data: 2025
– Name: Subject
  Label: Subject Terms
  Group: Su
  Data: <searchLink fieldCode="DE" term="%22Graph+Neural+Networks%22">Graph Neural Networks</searchLink><br /><searchLink fieldCode="DE" term="%22Machine+Learning%22">Machine Learning</searchLink><br /><searchLink fieldCode="DE" term="%22Tracking%22">Tracking</searchLink><br /><searchLink fieldCode="DE" term="%22Fixed-Target%22">Fixed-Target</searchLink><br /><searchLink fieldCode="DE" term="%22Hadronization%22">Hadronization</searchLink><br /><searchLink fieldCode="DE" term="%22Heavy-Flavor%22">Heavy-Flavor</searchLink><br /><searchLink fieldCode="DE" term="%22Réseaux+de+neurones+graphiques%22">Réseaux de neurones graphiques</searchLink><br /><searchLink fieldCode="DE" term="%22Apprentissage+automatique%22">Apprentissage automatique</searchLink><br /><searchLink fieldCode="DE" term="%22Trajectographie%22">Trajectographie</searchLink><br /><searchLink fieldCode="DE" term="%22Cible+fixe%22">Cible fixe</searchLink><br /><searchLink fieldCode="DE" term="%22Hadronisation%22">Hadronisation</searchLink><br /><searchLink fieldCode="DE" term="%22Saveur+lourde%22">Saveur lourde</searchLink><br /><searchLink fieldCode="DE" term="%22[PHYS%2EHEXP]Physics+[physics]%2FHigh+Energy+Physics+-+Experiment+[hep-ex]%22">[PHYS.HEXP]Physics [physics]/High Energy Physics - Experiment [hep-ex]</searchLink>
– Name: Abstract
  Label: Description
  Group: Ab
  Data: 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 ...
– Name: TypeDocument
  Label: Document Type
  Group: TypDoc
  Data: doctoral or postdoctoral thesis
– Name: Language
  Label: Language
  Group: Lang
  Data: English
– Name: NoteTitleSource
  Label: Relation
  Group: SrcInfo
  Data: NNT: 2025UPASP065
– Name: DOI
  Label: DOI
  Group: ID
  Data: 10.70675/63e3da3dzc793z4951z8d3dz251389bc31d8
– Name: URL
  Label: Availability
  Group: URL
  Data: https://theses.hal.science/tel-05387296<br />https://theses.hal.science/tel-05387296v1/document<br />https://theses.hal.science/tel-05387296v1/file/153250_RICART_2025_archivage.pdf<br />https://doi.org/10.70675/63e3da3dzc793z4951z8d3dz251389bc31d8
– Name: Copyright
  Label: Rights
  Group: Cpyrght
  Data: https://about.hal.science/hal-authorisation-v1/ ; info:eu-repo/semantics/OpenAccess
– Name: AN
  Label: Accession Number
  Group: ID
  Data: edsbas.E0BC81B3
PLink https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E0BC81B3
RecordInfo BibRecord:
  BibEntity:
    Identifiers:
      – Type: doi
        Value: 10.70675/63e3da3dzc793z4951z8d3dz251389bc31d8
    Languages:
      – Text: English
    Subjects:
      – SubjectFull: Graph Neural Networks
        Type: general
      – SubjectFull: Machine Learning
        Type: general
      – SubjectFull: Tracking
        Type: general
      – SubjectFull: Fixed-Target
        Type: general
      – SubjectFull: Hadronization
        Type: general
      – SubjectFull: Heavy-Flavor
        Type: general
      – SubjectFull: Réseaux de neurones graphiques
        Type: general
      – SubjectFull: Apprentissage automatique
        Type: general
      – SubjectFull: Trajectographie
        Type: general
      – SubjectFull: Cible fixe
        Type: general
      – SubjectFull: Hadronisation
        Type: general
      – SubjectFull: Saveur lourde
        Type: general
      – SubjectFull: [PHYS.HEXP]Physics [physics]/High Energy Physics - Experiment [hep-ex]
        Type: general
    Titles:
      – TitleFull: 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
        Type: main
  BibRelationships:
    HasContributorRelationships:
      – PersonEntity:
          Name:
            NameFull: Ricart, Gabriel
      – PersonEntity:
          Name:
            NameFull: Département de Physique Nucléaire (ex SPhN) (DPHN)
      – PersonEntity:
          Name:
            NameFull: Institut de Recherches sur les lois Fondamentales de l'Univers (IRFU)
      – PersonEntity:
          Name:
            NameFull: Université Paris-Saclay-Direction de Recherche Fondamentale (CEA) (DRF (CEA))
      – PersonEntity:
          Name:
            NameFull: 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))
      – PersonEntity:
          Name:
            NameFull: Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)
      – PersonEntity:
          Name:
            NameFull: Laboratoire Leprince-Ringuet (LLR)
      – PersonEntity:
          Name:
            NameFull: Institut National de Physique Nucléaire et de Physique des Particules du CNRS (IN2P3)-École polytechnique (X)
      – PersonEntity:
          Name:
            NameFull: Institut Polytechnique de Paris (IP Paris)-Institut Polytechnique de Paris (IP Paris)-Centre National de la Recherche Scientifique (CNRS)
      – PersonEntity:
          Name:
            NameFull: Université Paris-Saclay
      – PersonEntity:
          Name:
            NameFull: Alberto Baldisseri
      – PersonEntity:
          Name:
            NameFull: Frédéric Fleuret
      – PersonEntity:
          Name:
            NameFull: Michael Winn
    IsPartOfRelationships:
      – BibEntity:
          Dates:
            – D: 01
              M: 01
              Type: published
              Y: 2025
          Identifiers:
            – Type: issn-locals
              Value: edsbas
            – Type: issn-locals
              Value: edsbas.oa
          Titles:
            – TitleFull: https://theses.hal.science/tel-05387296 ; High Energy Physics - Experiment [hep-ex]. Université Paris-Saclay, 2025. English. ⟨NNT : 2025UPASP065⟩
              Type: main
ResultId 1