YENİLİKÇİ MAKİNE ÖĞRENİMİ YAKLAŞIMLARIYLA YÜKSEK ENERJİLİ PROTON ÇARPIŞMALARINDA OLUŞAN J/? MEZONU ANALİZİ

Abstract

Bu tez çalışmasında, yüksek enerjili parçacık çarpışmalarından elde edilen veriler kullanılarak J/? mezonuna yönelik analiz, makine öğrenimi (MÖ) temelli yaklaşımlar ile gerçekleştirilmiştir. Çalışma kapsamında müon–antimüon (????) bozunum kanalına ait olaylar incelenmiş ve J/? sinyallerinin arka plan olaylarından daha yüksek doğrulukla ayrıştırılması hedeflenmiştir. Bu amaçla analizde kullanılan MÖ modelleri, mezonun dielektron (e?e?) bozunum kanalı üzerinden gerçekleştirilen yapılandırma çalışmalarının performans karşılaştırmaları dikkate alınarak seçilmiştir. Parçacık iz bilgileri, momentum bileşenleri ve temel kinematik değişkenler girdi parametreleri olarak değerlendirilmiş; veri ön işleme, özellik seçimi ve model optimizasyonundan oluşan kapsamlı bir analiz akışı uygulanmıştır. Analiz sürecinde farklı makine öğrenimi modelleri test edilmiş; hata ölçütleri ve sınıflandırma metrikleri birlikte incelenerek performans değerlendirmeleri yapılmıştır. Model başarımının farklı veri alt kümeleri üzerindeki kararlılığını ölçmek ve elde edilen sonuçların genellenebilirliğini değerlendirmek amacıyla çapraz doğrulama uygulanmış ve öğrenme eğrileri incelenmiştir. Elde edilen bulgular, geniş ve karmaşık veri setlerinde MÖ tabanlı yöntemlerin klasik istatistiksel yaklaşımlara kıyasla daha yüksek sınıflandırma başarısı sunduğunu göstermektedir. Bu sonuç, MÖ algoritmalarının J/? mezonuna ilişkin analizlerde etkin ve uygulanabilir bir alternatif olduğunu ortaya koymaktadır. Tez kapsamında ulaşılan sonuçlar, sinyal saflığının artırılması, arka plan kirliliğinin azaltılması ve analiz belirsizliklerinin düşürülmesi açısından önemli katkılar sağlamaktadır. J/? mezonuna yönelik analizlerde modern yapay zekâ tekniklerinin kullanılması, karmaşık çarpışma verilerinin daha anlamlı ve güvenilir biçimde yorumlanmasına olanak tanımaktadır. Bu yönüyle tez, yüksek enerji fiziğinde MÖ tabanlı yöntemlerin kullanımına yönelik metodolojik bir referans niteliği taşımakta ve gelecekte gerçekleştirilecek benzer çalışmalar için yol gösterici bir çerçeve sunmaktadır.In this thesis, an analysis of the J/? meson was carried out using data obtained from high-energy particle collisions, based on machine learning (ML) approaches. Within the scope of the study, events belonging to the muon–antimuon (????) decay channel were examined, and the separation of J/? signals from background events with higher accuracy was targeted. For this purpose, the ML models used in the analysis were selected by considering performance comparisons reported in reconstruction studies conducted via the dielectron (e?e?) decay channel of the meson. Particle track information, momentum components, and fundamental kinematic variables were evaluated as input parameters, and a comprehensive analysis workflow consisting of data preprocessing, feature selection, and model optimization was implemented. During the analysis, multiple machine learning models were tested, and performance evaluations were conducted by jointly examining error metrics and classification criteria. Cross-validation was applied, and learning curves were analyzed to measure the stability of model performance across different data subsets and to assess the generalizability of the obtained results. The findings reveal that ML based methods provide an alternative to classical particle analysis approaches when dealing with large and complex datasets. This result demonstrates that ML algorithms constitute an effective and applicable methodology for analyses related to the J/? meson. The outcomes achieved within the scope of the thesis contribute significantly to increasing signal purity, reducing background contamination, and minimizing analysis uncertainties. The use of modern artificial intelligence techniques in analyses focused on the J/? meson enables the interpretation of complex collision data in a meaningful and reliable manner. In this respect, the thesis serves as a methodological reference for the application of ML based approaches in high-energy physics and provides a guiding framework for future studies to be conducted in this field.