Improved calorimetric particle identification in NA62 using machine learning techniques

Cortina Gil, E.; Kleimenova, A.; Minucci, E.; Padolski, S.; Petrov, P.; Shaikhiev, A.; Volpe, R.; Fedorko, W.; Numao, T.; Petrov, Y.; Velghe, B.; Wong, V. W. S.; Yu, M.; Bryman, D.; Fu, J.; Hives, Z.; Husek, T.; Jerhot, J.; Kampf, K.; Zamkovsky, M.; De Martino, B.; Perrin-Terrin, M.; Akmete, A. T.; Aliberti, R.; Khoriauli, G.; Kunze, J.; Lomidze, D.; Peruzzo, L.; Vormstein, M.; Wanke, R.; Dalpiaz, P.; Fiorini, M.; Mazzolari, A.; Neri, I.; Norton, A.; Petrucci, F.; Soldani, M.; Wahl, H.; Bandiera, L.; Cotta Ramusino, A.; Gianoli, A.; Romagnoni, M.; Sytov, A.; Iacopini, E.; Latino, G.; Lenti, M.; Lo Chiatto, P.; Panichi, I.; Parenti, A.; Bizzeti, A.; Bucci, F.; Antonelli, A.; Georgiev, G.; Kozhuharov, V.; Lanfranchi, G.; Martellotti, S.; Moulson, M.; Spadaro, T.; Tinti, G.; Ambrosino, F.; Capussela, T.; Corvino, M.; D’Errico, M.; Di Filippo, D.; Fiorenza, R.; Giordano, R.; Massarotti, P.; Mirra, M.; Napolitano, M.; Rosa, I.; Saracino, G.; Anzivino, G.; Brizioli, F.; Imbergamo, E.; Lollini, R.; Piandani, R.; Santoni, C.; Barbanera, M.; Cenci, P.; Checcucci, B.; Lubrano, P.; Lupi, M.; Pepe, M.; Piccini, M.; Costantini, F.; Di Lella, L.; Doble, N.; Giorgi, M.; Giudici, S.; Lamanna, G.; Lari, E.; Pedreschi, E.; Sozzi, M.; Cerri, C.; Fantechi, R.; Pontisso, L.; Spinella, F.; Mannelli, I.; D’Agostini, G.; Raggi, M.

doi:10.1007/JHEP11(2023)138

Measurement of the ultra-rare K+ ! + ¯ decay at the NA62 experiment at CERN requires high-performance particle identification to distinguish muons from pions. Calorimetric identification currently in use, based on a boosted decision tree algorithm, achieves a muon misidentification probability of 1.2×10−5 for a pion identification efficiency of 75% in the momentum range of 15–40 GeV/c. In this work, calorimetric identification performance is improved by developing an algorithm based on a convolutional neural network classifier augmented by a filter. Muon misidentification probability is reduced by a factor of six with respect to the current value for a fixed pion-identification efficiency of 75%. Alternatively, pion identification efficiency is improved from 72% to 91% for a fixed muon misidentification probability of 10−5.

Improved calorimetric particle identification in NA62 using machine learning techniques / Cortina Gil, E.; Kleimenova, A.; Minucci, E.; Padolski, S.; Petrov, P.; Shaikhiev, A.; Volpe, R.; Fedorko, W.; Numao, T.; Petrov, Y.; Velghe, B.; Wong, V. W. S.; Yu, M.; Bryman, D.; Fu, J.; Hives, Z.; Husek, T.; Jerhot, J.; Kampf, K.; Zamkovsky, M.; De Martino, B.; Perrin-Terrin, M.; Akmete, A. T.; Aliberti, R.; Khoriauli, G.; Kunze, J.; Lomidze, D.; Peruzzo, L.; Vormstein, M.; Wanke, R.; Dalpiaz, P.; Fiorini, M.; Mazzolari, A.; Neri, I.; Norton, A.; Petrucci, F.; Soldani, M.; Wahl, H.; Bandiera, L.; Cotta Ramusino, A.; Gianoli, A.; Romagnoni, M.; Sytov, A.; Iacopini, E.; Latino, G.; Lenti, M.; Lo Chiatto, P.; Panichi, I.; Parenti, A.; Bizzeti, A.; Bucci, F.; Antonelli, A.; Georgiev, G.; Kozhuharov, V.; Lanfranchi, G.; Martellotti, S.; Moulson, M.; Spadaro, T.; Tinti, G.; Ambrosino, F.; Capussela, T.; Corvino, M.; D’Errico, M.; Di Filippo, D.; Fiorenza, R.; Giordano, R.; Massarotti, P.; Mirra, M.; Napolitano, M.; Rosa, I.; Saracino, G.; Anzivino, G.; Brizioli, F.; Imbergamo, E.; Lollini, R.; Piandani, R.; Santoni, C.; Barbanera, M.; Cenci, P.; Checcucci, B.; Lubrano, P.; Lupi, M.; Pepe, M.; Piccini, M.; Costantini, F.; Di Lella, L.; Doble, N.; Giorgi, M.; Giudici, S.; Lamanna, G.; Lari, E.; Pedreschi, E.; Sozzi, M.; Cerri, C.; Fantechi, R.; Pontisso, L.; Spinella, F.; Mannelli, I.; D’Agostini, G.; Raggi, M.. - In: JOURNAL OF HIGH ENERGY PHYSICS. - ISSN 1029-8479. - 2023:11(2023). [10.1007/JHEP11(2023)138]

Improved calorimetric particle identification in NA62 using machine learning techniques

Cortina Gil E.;Kleimenova A.;Minucci E.;Padolski S.;Petrov P.;Shaikhiev A.;Volpe R.;Fedorko W.;Numao T.;Petrov Y.;Velghe B.;Wong V. W. S.;Yu M.;Bryman D.;Fu J.;Hives Z.;Husek T.;Jerhot J.;Kampf K.;Zamkovsky M.;De Martino B.;Perrin-Terrin M.;Akmete A. T.;Aliberti R.;Khoriauli G.;Kunze J.;Lomidze D.;Peruzzo L.;Vormstein M.;Wanke R.;Dalpiaz P.;Fiorini M.;Mazzolari A.;Neri I.;Norton A.;Petrucci F.;Soldani M.;Wahl H.;Bandiera L.;Cotta Ramusino A.;Gianoli A.;Romagnoni M.;Sytov A.;Iacopini E.;Latino G.;Lenti M.;Lo Chiatto P.;Panichi I.;Parenti A.;Bizzeti A.;Bucci F.;Antonelli A.;Georgiev G.;Kozhuharov V.;Lanfranchi G.;Martellotti S.;Moulson M.;Spadaro T.;Tinti G.;Ambrosino F.;Capussela T.;Corvino M.;D’Errico M.;Di Filippo D.;Fiorenza R.;Giordano R.;Massarotti P.;Mirra M.;Napolitano M.;Rosa I.;Saracino G.;Anzivino G.;Brizioli F.;Imbergamo E.;Lollini R.;Piandani R.;Santoni C.;Barbanera M.;Cenci P.;Checcucci B.;Lubrano P.;Lupi M.;Pepe M.;Piccini M.;Costantini F.;Di Lella L.;Doble N.;Giorgi M.;Giudici S.;Lamanna G.;Lari E.;Pedreschi E.;Sozzi M.;Cerri C.;Fantechi R.;Pontisso L.;Spinella F.;Mannelli I.;D’Agostini G.;Raggi M.

2023

Abstract

Measurement of the ultra-rare K+ ! + ¯ decay at the NA62 experiment at CERN requires high-performance particle identification to distinguish muons from pions. Calorimetric identification currently in use, based on a boosted decision tree algorithm, achieves a muon misidentification probability of 1.2×10−5 for a pion identification efficiency of 75% in the momentum range of 15–40 GeV/c. In this work, calorimetric identification performance is improved by developing an algorithm based on a convolutional neural network classifier augmented by a filter. Muon misidentification probability is reduced by a factor of six with respect to the current value for a fixed pion-identification efficiency of 75%. Alternatively, pion identification efficiency is improved from 72% to 91% for a fixed muon misidentification probability of 10−5.

Scheda breve

Scheda completa

	Anno di pubblicazione
	
			2023
		
	Parole chiave
	
			Calorimetry, Machine Learning
		
	Tipologia
	
			01 Pubblicazione su rivista::01a Articolo in rivista
		
	Citazione
	
			Improved calorimetric particle identification in NA62 using machine learning techniques / Cortina Gil, E.; Kleimenova, A.; Minucci, E.; Padolski, S.; Petrov, P.; Shaikhiev, A.; Volpe, R.; Fedorko, W.; Numao, T.; Petrov, Y.; Velghe, B.; Wong, V. W. S.; Yu, M.; Bryman, D.; Fu, J.; Hives, Z.; Husek, T.; Jerhot, J.; Kampf, K.; Zamkovsky, M.; De Martino, B.; Perrin-Terrin, M.; Akmete, A. T.; Aliberti, R.; Khoriauli, G.; Kunze, J.; Lomidze, D.; Peruzzo, L.; Vormstein, M.; Wanke, R.; Dalpiaz, P.; Fiorini, M.; Mazzolari, A.; Neri, I.; Norton, A.; Petrucci, F.; Soldani, M.; Wahl, H.; Bandiera, L.; Cotta Ramusino, A.; Gianoli, A.; Romagnoni, M.; Sytov, A.; Iacopini, E.; Latino, G.; Lenti, M.; Lo Chiatto, P.; Panichi, I.; Parenti, A.; Bizzeti, A.; Bucci, F.; Antonelli, A.; Georgiev, G.; Kozhuharov, V.; Lanfranchi, G.; Martellotti, S.; Moulson, M.; Spadaro, T.; Tinti, G.; Ambrosino, F.; Capussela, T.; Corvino, M.; D’Errico, M.; Di Filippo, D.; Fiorenza, R.; Giordano, R.; Massarotti, P.; Mirra, M.; Napolitano, M.; Rosa, I.; Saracino, G.; Anzivino, G.; Brizioli, F.; Imbergamo, E.; Lollini, R.; Piandani, R.; Santoni, C.; Barbanera, M.; Cenci, P.; Checcucci, B.; Lubrano, P.; Lupi, M.; Pepe, M.; Piccini, M.; Costantini, F.; Di Lella, L.; Doble, N.; Giorgi, M.; Giudici, S.; Lamanna, G.; Lari, E.; Pedreschi, E.; Sozzi, M.; Cerri, C.; Fantechi, R.; Pontisso, L.; Spinella, F.; Mannelli, I.; D’Agostini, G.; Raggi, M.. - In: JOURNAL OF HIGH ENERGY PHYSICS. - ISSN 1029-8479. - 2023:11(2023). [10.1007/JHEP11(2023)138]

File allegati a questo prodotto

Non ci sono file associati a questo prodotto.

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11573/1699753

Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni

ND

0

ND

Catalogo dei prodotti della ricerca