Beam hadron identification for future AMBER Drell-Yan experiment

Abstract

The goal of this thesis is to get familiar with the software and methods used for data acquisition and analysis in the AMBER experiment at the CERN laboratory, as well as the principles of CEDAR detectors and to test the infrastructure for particle identification in the SPS secondary beam using two existing methods. The two methods are successfully implemented, tested and are being compared on an AMBER test run from 2023. In one of the two methods, a more effective way of formulating inputs for a neural network is proposed. The methods are then applied to data from a 2024 AMBER test run, for which a misalignment in a beam telescope is later hypothesised as the leading cause of failure for both particle identification methods. The knowledge of shortcomings is to be utilised for further development of the AMBER detector infrastructure in preparation for the 2030 data-taking period.

Cílem této práce je seznámit se se softwarem a metodami pro sběr a analýzu dat v experimentu AMBER v laboratoři CERN, seznámit se s principem detektorů CEDAR a otestovat infrastrukturu pro identifikaci částic v sekundárním svazku SPS s pomocí dvou existujících metod. Obě metody jsou zaimplementovány, otestovány a porovnány na da- tech z testovactího běhu AMBER z roku 2023. V jedné z metod je navržena efektivnější formulace vstupů pro neuronovou síť. Dané metody jsou následně aplikovány na datech z AMBER testovacího běhu 2024, kde byla chyba v zarovnání svazkového teleskopu hy- potetizována jako hlavní důvod pro selhání obou metod. Poznatky o nedostatcích mají být využity pro následný vývoj insfrastruktury detektorů experimentu AMBER při pří- pravách na sběr dat v roce 2030.