Anisa Khatun (2026.07.01-10.30)

Kivonat: A ritka és egzotikus nehéz ízű hadronok a CERN-ben megvalósuló jövőbeli ALICE 3 kísérlet egyik legfontosabb fizikai célkitűzését jelentik. Ezek közül a több charm-kvarkot tartalmazó barionok, mint például az \(\Xi\)cc++, az \(\Omega\)cc és az \(\Omega\)ccc, egyedülálló vizsgálati eszközöket nyújtanak a kvantumkromodinamika (QCD), a charm-kvark hadronizációja és a kvark–gluon plazma tanulmányozásához. Rendkívül kis keletkezési keresztmetszetük miatt azonban a Monte Carlo (MC) szimuláció jelentős számítási szűk keresztmetszetet jelent, mivel a detektorok teljesítményének vizsgálatához és a gépi tanuláson (ML) alapuló elemzésekhez nagyon nagy szimulált mintákra van szükség.

A javasolt projekt célja a generatív ellentétes hálózatok (GAN-ok) vizsgálata, mint rekonstruált szintű adatkiegészítési technika a ritka, nehéz ízű részecskék elemzéséhez. Az ALICE 3. futásában a nehéz ízű részecskék rekonstrukciójára kifejlesztett meglévő GAN-keretrendszerre építve, ez a projekt kiterjeszti a módszertant a szimulált több-charm-baryonokra, a nyilvánosan elérhető ALICE 3 szimulációs adatkészletek felhasználásával. A generált mintákat többdimenziós jellemző-összehasonlítások, korrelációs vizsgálatok és gépi tanuláson alapuló kompatibilitási tesztek segítségével fogják validálni.

A várt eredmény egy nyílt, GPU-támogatott mesterséges intelligencia-munkafolyamat, valamint egy módszertani publikáció, amely bemutatja a rendkívül ritka nehéz ízű jelek esetében a rekonstruált szintű generatív adatkiegészítés megvalósíthatóságát.