Kurzfassung
Diese Dissertation befasst sich mit der Nutzung von Convolutional Neural Networks (CNNs) zur Verbesserung der Teilchenidentifizierung (PID) im Belle II elektromagnetischen Kalorimeter (ECL). Das Hauptziel der Forschung ist es, den Differenzierungsprozess zwischen langsamen Myonen und geladenen Pionen zu verfeinern. Das ECL spielt eine bedeutende Rolle im PID-System, da es darauf ausgelegt ist, die Energieablagerung sowohl von geladenen als auch von neutralen Teilchen zu messen. Die Aufgabe, langsame Myonen und geladene Pionen innerhalb des ECL zu identifizieren, wird besonders wichtig, wenn diese den äußeren Myondetektor nicht erreichen. Um optimale Daten zu liefern, verwendet die Studie durch Spuren gesäte Cluster-Energiebilder. Die Energieablagerungsmuster für Myonen und geladene Pionen, die in den Kristallen um eine extrapolierte Spur am Eingangspunkt des ECLs detektiert werden, werden mit den Kristallpositionen in der θ − φ-Ebene zusammen mit dem transversalen Impuls der Spur integriert. Diese Kombination von Informationen wird dann genutzt, um das CNN zu trainieren, wobei die Unterschiedlichkeit zwischen den verteilten Energieablagerungen der hadronischen Wechselwirkungen des Pions und den lokalisierteren elektromagnetischen Wechselwirkungen des Myons ausgenutzt wird. Die Studie beinhaltet einen Vergleich der Leistung des CNN-Algorithmus mit anderen derzeit bei Belle II verwendeten PID-Methoden, die überwiegend auf spurgepaarten Clustering-Informationen basieren. Die Ergebnisse deuten darauf hin, dass die CNN-PID-Methode die Trennung zwischen Myonen und geladenen Pionen in Bereichen niedriger Impulse verbessert. Die Forschung umfasst Proben mit verschiedenen Strahlhintergründen, einschließlich keines Strahlhintergrunds. Die Wirksamkeit der CNN-Methode wurde mit verschiedenen Energieschwellen für ECL-Kristalle bewertet, wobei 21,5 fb-�1 Daten von 2020 und 2021 und Monte-Carlo (MC)-Proben verwendet wurden. Um die CNN-Methode mit echten Daten zu untermauern, wurden saubere Proben von Myonen und geladenen Pionen unter Verwendung von e+e− → μ+μ−γ�� und D∗+ → D0(→ K−π+)π+ isoliert. Schließlich, in der Erkenntnis, dass das CNN empfindlich auf Spuren in unmittelbarer Nähe innerhalb eines einzelnen Ereignisses reagiert, wurde zusätzliche Forschung durchgeführt, um die Leistung des CNNs bei isolierten und nicht isolierten Spuren innerhalb des ECL zu bewerten.
This dissertation revolves around the utilization of Convolutional Neural Networks (CNNs) to advance Particle Identification (PID) within the Belle II Electromagnetic Calorimeter (ECL). The core goal of the research is to refine the differentiation process between low-momentum muons and charged pions. The ECL plays a significant role in the PID system as it is engineered to measure the energy deposition by both charged and neutral particles. The task of identifying low-momentum muons and charged pions within the ECL becomes particularly vital when they fail to reach the outer muon detector. In order to provide optimal data, the study employs track-seeded cluster energy images. The energy deposition patterns for muons and charged pions, as detected within crystals surrounding an extrapolated track at the ECL’s entry point, are integrated with crystal positions in the θ − φ plane along with the track’s transverse momentum. This amalgamation of information is then utilized to train the CNN, capitalizing on the distinctiveness between the dispersed energy depositions of pion hadronic interactions and the more localized muon electromagnetic interactions. The study includes a comparison of the CNN algorithm’s performance with other PID methods currently in use at Belle II, which predominantly rely on track-matched clustering information. The findings imply that the CNN PID method improves the separation between muons and charged pions in low-momentum regions. The research includes samples with varying beam backgrounds, including no beam background. The effectiveness of the CNN method has been assessed with different energy thresholds for ECL crystals, utilizing 21.5 fb−1 data from 2020 and 2021 and Monte Carlo (MC) samples. To substantiate the CNN method with real data, clean samples of muons and charged pions have been singled out using e+e− → μ+μ−γ and D∗+ → D0(→ K−π+)π+, respectively. Finally, recognizing that the CNN is sensitive to tracks in close proximity within a single event, additional research was conducted to evaluate the CNN’s performance with isolated and non-isolated tracks within the ECL.