Color/kinematic duality, double copies and scalar matrix models

In questa tesi presentiamo una descrizione autoconsistente della dualità Colore/Cinematica nelle teorie di gauge e al processo di Double Copy. Particolare attenzione viene data all'approccio alla dualità con il formalismo di cono-luce, in quanto semplifica notevolmente sia il calcolo sia l'interpretazione fisica: vengono indagati i settori duale e self-duale per poi passare al modello di Chalmers e Siegel per l'estensione alla teoria generale. Proponiamo quindi uno Scalar Matrix Model, che può essere un buon modello per generare ampiezze ottenibili da una Double Copy `inversa', e ne studiamo un'eventuale dualità a la Colore/Cinematica. Vengono illustrati alcuni casi particolari di rottura spontanea di simmetria. In appendice riportiamo un notebook di Mathematica per il calcolo di ampiezze tree level di puro gauge, utile per i calcoli necessari allo studio della dualità.

Tree regularized neural networks for key point analysis

This thesis contributes to the ArgMining 2021 shared task on Key Point Analysis. Key Point Analysis entails extracting and calculating the prevalence of a concise list of the most prominent talking points, from an input corpus. These talking points are usually referred to as key points. Key point analysis is divided into two subtasks: Key Point Matching, which involves assigning a matching score to each key point/argument pair, and Key Point Generation, which consists of the generation of key points. The task of Key Point Matching was approached using different models: a pretrained Sentence Transformers model and a tree-constrained Graph Neural Network were tested. The best model was the fine-tuned Sentence Transformers, which achieved a mean Average Precision score of 0.75, ranking 12 compared to other participating teams. The model was then used for the subtask of Key Point Generation using the extractive method in the selection of key point candidates and the model developed for the previous subtask to evaluate them.