Machine Learning di Precisione per la Fisica delle Alte Energie

Da alcuni anni a questa parte, la comunità della fisica delle alte energie ha iniziato ad esplorare a fondo le tecniche di Machine Learning (ML) per una varietà diversificata di applicazioni e, di conseguenza, è largamente incrementato il numero di idee e di strumenti che vengono pubblicati in questa direzione. Questo non avviene solo all’interno delle collaborazioni sperimentali, ma anche tra le comunità di fenomenologia e teoria formale. Ancora di più, mentre ci avviciniamo alla fase di  alta luminosità del Large Hadron Collider (HL-LHC), in cui è necessario simulare, raccogliere e infine analizzare una quantità senza precedenti di dati altamente complessi, diventa obbligatorio costruire metodi, tecniche e flussi di lavoro affidabili e più efficienti. Come la comunità ha già realizzato, il ML gioca un ruolo cruciale in questo sviluppo. In particolare, il ML, insieme a nuove frontiere nell’accelerazione hardware, fornisce una soluzione potenziale per soddisfare le risorse di calcolo necessarie per simulare e ricostruire i prodotti delle collisioni e sarà anche essenziale per sviluppare nuove strategie per il triggering e la ricostruzione degli eventi, così come per l’analisi statistica, l’interpretazione e la conservazione dei dati. Questo rappresenta un campo di ricerca completamente nuovo, che complementa efficacemente il programma  di fisica dell’HL-LHC. Inoltre, supportati dalla precisione notevolmente migliorata attesa all’HL-LHC, metodi dedicati di ML offriranno grandi opportunità per perseguire ricerche basate sui dati, ovvero per la rilevazione di anomalie, il monitoraggio della qualità dei dati e la stima efficiente del fondo. Tuttavia, per garantire un’implementazione sistematica dei metodi di ML nei flussi di lavoro della fisica delle alte energie, è necessario studiare attentamente le loro proprietà e capacità rispetto a dati complessi e ad alta dimensionalità e valutare la loro capacità di raggiungere la precisione richiesta, tipicamente molto più alta di quella delle applicazioni industriali e commerciali del ML. Questo programma, che può essere denominato “ML di Precisione”, non può essere separato dallo sviluppo di nuove tecniche per l’accelerazione hardware, la progettazione di metriche di efficaci ed affidabili e la corretta valutazione delle incertezze rilevanti. Crediamo che lo sforzo congiunto di esperti delle comunità teoriche e sperimentali dell’INFN possa aiutare a dare forma a questo programma di ML di precisione e contribuire ad esso.

Staff:
Riccardo Torre
Simone Marzani
Andrea Coccaro (ATLAS Collaboration)
Francesco Armando di Bello (ATLAS  Collaboration)
Fabrizio Parodi (ATLAS Collaboration)
Carlo Schiavi (ATLAS Collaboration)
Federico Sforza (ATLAS Collaboration)

Postdocs:
Marco Letizia

PhD students:
Samuele Grossi