Analisi dei prompt dei dati MuOnE con tecniche di Machine Learning

The anomalous magnetic moment of the muon is one of the most precisely known quantities in particle physics, yet experimental measurements consistently differ from the Standard Model prediction. This discrepancy could point to new physics. The MUonE experiment seeks to clarify the situation by measuring the hadronic contribution through elastic muon–electron scattering with unprecedented precision. This thesis investigates pile-up effects in the MUonE electromagnetic calorimeter (ECAL), where multiple muons crossing the detector can distort the recorded signals. Using electron and muon events from test runs, a new method is introduced for pedestal computation that avoids discarding events, thus preserving statistics. Electron and muon events are then combined to emulate scattering conditions and to assess the impact of pile-up on calorimeter energy calibration. Different machine learning methods are also explored as a potential tool to correct these distortions. Although results are preliminary, this work contributes to improving the calorimeter analysis framework, supporting MUonE’s goal of a precise determination of the muon anomalous magnetic moment.

Il momento magnetico anomalo del muone è una delle quantità più precisamente conosciute della fisica delle particelle, eppure le misure sperimentali differiscono costantemente dalla previsione del Modello Standard. Questa discrepanza potrebbe indicare la presenza di nuova fisica. L’esperimento MUonE mira a chiarire questa situazione misurando il contributo adronico attraverso la diffusione elastica muone–elettrone con una precisione senza precedenti. Questa tesi studia gli effetti di pile-up nel calorimetro elettromagnetico (ECAL) di MUonE, dove il passaggio di più muoni attraverso il rivelatore può distorcere i segnali registrati. Utilizzando eventi di elettroni e muoni provenienti da test beam, viene introdotto un nuovo metodo di calcolo del pedestal che evita di scartare eventi, preservando così le statistiche. Eventi di elettroni e muoni vengono quindi combinati per emulare le condizioni di scattering e valutare l’impatto del pile-up sulla calibrazione energetica del calorimetro. Inoltre, vengono esplorati diversi metodi di machine learning come possibile strumento per correggere tali distorsioni. Sebbene i risultati siano preliminari, questo lavoro contribuisce a migliorare il framework di analisi del calorimetro, supportando l’obiettivo di MUonE di una determinazione precisa del momento magnetico anomalo del muone.