Gli esperimenti di fisica delle particelle ad alta energia pongono diverse sfide dal punto di vista statistico, di grande rilevanza per le comunità sperimentali e teoriche.

Una delle più complesse riguarda l'inferenza statistica, l'interpretazione, la distribuzione e la combinazione dei risultati sperimentali. Lo strumento con cui gli esperimenti riassumono l'informazione estratta dai dati sperimentali è la funzione di verosimiglianza (Likelihood),
spesso di dimensionalità molto elevata (centinaia di parametri).

Questa funzione, tuttavia, non è quasi mai distribuita pubblicamente dagli esperimenti: spesso infatti viene calcolata mediante procedure complicate (a volte approssimate) e con framework software proprietari. Lo strumento della DNNLikelihood da noi sviluppato (basato sulla semplice idea di interpolare la Likelihood con una rete neurale profonda (DNN)) risolve questo problema rendendo potenzialmente disponibile a tutta la comunità i risultati sperimentali più recenti.

Proponiamo diversi progetti di tesi inerenti a DNNLikelihood per calcolare, campionare e distribuire in modo più efficiente la funzione di Likelihood, e quindi i risultati sperimentali. Il candidato ottimizzerà ed applicherà lo strumento della DNNLikelihood ai dati, pubblicamente disponibili, di diverse fonti sperimentali (ATLAS, HEPFit, Astro/Cosmo) e li combinerà per indagare scostamenti rispetto alle predizioni del Modello Standard e, eventualmente, individuare possibili scenari di nuova fisica.

Durante il lavoro di tesi, il candidato svilupperà competenze nell'ambito del trattamento statistico dei dati  e della loro interpretazione all'interno di modelli teorici, nella programmazione in Python e nell'utilizzo delle relative librerie di DNN (TensorFlow, Keras). Lavorare in un ambiente scientifico internazionale fornirà ulteriore stimolo e motivazione.

Contatti:
Riccardo Torre   (INFN, Sezione di Genova e CERN): riccardo.torre@ge.infn.it
Andrea Coccaro (INFN, Sezione di Genova): andrea.coccaro@ge.infn.it
Fabrizio Parodi  (Università di Genova e INFN, Sezione di Genova): fabrizio.parodi@ge.infn.it