Development of new data analysis techniques and testing of new detector models for the HADES experiment

Niniejsza praca magisterska została wykonana w ramach projektu naukowego, będącego częścią eksperymentu HADES ("High-Acceptance DiElectron Spectrometer") w ośrodku GSI Helmholtzzentrum für Schwerionenforschung w Darmstadt w Niemczech. Przedstawiona praca składa się z dwóch części. Przedmiotem pierwszej części pracy była analiza wyników pomiarów testowych przeprowadzonych na prototypowych detektorach typu Ultra Fast Silicon Detectors (UFSD), określenie ich parametrów i ewaluacja ich potencjału do zastąpienia aktualnie stosowanych detektorów na bazie diamentów typu scCVD w roli systemu pomiaru czasu zerowego reakcji T0 oraz śledzenia cząstek wiązki w eksperymentach wykorzystujących wiązki protonów i pionów. W części drugiej pracy, przedstawiona została analiza danych z pomiarów elastycznego rozpraszania pionów na tarczach z polietylenu i węgla. Celem tej analizy było wykorzystanie metod Uczenia Maszynowego, w tym wypadku typu sieci neuronowej tzw. Perceptronu Wielowarstwowego oraz metody Klasyfikacji bez Etykiet, w celu odseparowania zdarzeń z rozpraszania na protonach od rozpraszania na węglu.The presented thesis was written as a part of a scientific project which was a section of HADES ("High-Acceptance DiElectron Spectrometer") experiment implemented in GSI Helmholtzzentrum für Schwerionenforschung facility in Darmstadt, Germany. This work consists of two parts. The subject of the first part covers the analysis of results from the testing of prototype particle detectors based on Ultra Fast Silicon Detector technology, determining their parameters, and evaluating their potential for replacing currently utilised scCVD diamond based detectors as T0 measurement and beam tracking system in experiments with proton and pion beams.In the second part of the thesis, the analysis of elastic scattering of pions on poliethylene and carbon targets was presented. The goal of this analysis was to utilise the Machine Learning methods, in this case a specific type of neural networks called Multi Layer Perceptron and the Classification Without Labels method, to separate events of scattering on protons from scattering on carbon