• Addestramento di modelli di Machine Learning sviluppati per la ricostruzione degli eventi nell'esperimento JUNO: Jonathan Cavallin
  • Tool di REINFORCEMENT LEARNING (campo del machine learning), per il controllo e ottimizzazione dei fasci di particelle (progetto di dottorato): Daniele Zebele
  • Progetto di ricerca in ambito Machine Learning/Reinforcement Learning per l’ottimizzazione del fascio di particelle per ADIGE, associato al lavoro del dottorando Daniele Zebele: Federico Meneghetti
  • Deployment di un fit bayesiano unbinned basato su architettura a grafici acrilici ed Extended Likelihood per l'analisi di oscillazione degli eventi da antineutrino nell'esperimento JUNO: Andrea Serafini

  • Sviluppo di un algoritmo di machine learning per la discriminazione del segnale dal background per l'esperimento LEGEND: Benedetta Rasera

  • Tecniche di Machine Learning, come ad esempio transformer, foudation models e graph neural networks applicate ad algoritmi di jet flavour tagging/classification/regression per l'esperimento LHCb. Ossia l'evoluzione di quanto riportato in questo articolo  https://arxiv.org/abs/2601.16802, usando tecniche più moderne che richiedono un uso massiccio di GPU. LHCb: Alessio Gianelle


  • No labels