Opis raspodjele kvarkova i gluona u protonu pomoću gausijanskih procesa

diplomski rad

• Naslov (engleski): Description of distribution of quarks and gluons in proton using Gaussian processes
• Autor: Andrija Radočaj
• Mentor: Krešimir Kumerički (mentor)
• Član povjerenstva: Krešimir Kumerički (predsjednik povjerenstva)
• Član povjerenstva: Sanjin Benić (član povjerenstva)
• Član povjerenstva: Petar Žugec (član povjerenstva)
• Član povjerenstva: Davor Horvatić (član povjerenstva)
• Član povjerenstva: Ivica Friščić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2024-09-24, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

Partonske distribucijske funkcije protona opisuju raspodjelu impulsa njegovih sastavnica te stoga nose važnu informaciju o njegovoj kvarkovsko-gluonskoj dinamici. S obzirom na to da su fundamentalno neperturbativna veličina kvantne kromodinamike, određuju se posredno prilagodbom modela na eksperimentalne podatke. Diferencijalni udarni presjeci dubokih neelastičnih raspršenja ovise upravo o njima te se mogu smisliti razne metode ekstrakcije tih funkcija iz eksperimentalnih podataka različitih procesa. U ovom radu ispituje se metoda strojnog učenja za ekstrakciju spomenutih distribucijskih funkcija njihovim modeliranjem kao gausijanskih procesa te Monte Carlo dropout metoda neuronskih mreža za usporedbu. U svrhu ispitivanja metode uvedena su određena nefizikalna pojednostavljenja. Također, s istim ciljem zadane su nefizikalne partonske distribucijske funkcije koje služe za simulaciju podataka diferencijalnih udarnih presjeka nefizikalnih procesa. Distribucijske funkcije ekstrahirane iz simuliranih podataka mogu se tada usporediti s onim zadanim kako bi se na taj način mogla procijeniti uspješnost metode kao i potencijalno zaključiti nešto o njenoj primjenjivosti na stvarne eksperimentalne podatke. Također, određeni zaključci doneseni su usporedbom rezultata metode gausijanskih procesa s rezultatima Monte Carlo dropout metode neuronskih mreža.

Sažetak (engleski)

Parton distribution functions of proton describe the distribution of momenta of its components and thus provide an important information about its quark-gluon dynamics. Considering they are fundamentally non-perturbative quantity of quantum chromodynamics, they are determined indirectly by fitting the model to experimental data. Differential cross sections of deep inelastic scatterings depend on those functions and various methods of their extraction can be devised from experimental data of different processes. This thesis examines the machine learning method for extraction of the mentioned distribution functions by modeling them as Gaussian processes and the Monte Carlo dropout method of neural networks for comparison. For testing purposes of the method certain non-physical simplifications were introduced. Likewise, with the same goal there are given non-physical parton distribution functions which serve to simulate differential cross section data of different nonphysical processes. Distribution functions extracted from the simulated data can then be compared with the given ones in order to evaluate the efficacy of the method and potentially conclude something on its applicability to real experimental data. Also, certain conclusions were drawn by comparing the results of the Gaussian processes method with the results from Monte Carlo dropout method of neural networks.

• Ključne riječi: duboko neelastično raspršenje; partonske distribucijske funkcije; strojno učenje; Gausijanski procesi; neuronske mreže; Monte Carlo dropout
• Ključne riječi (engleski): deep inelastic scattering; parton distribution functions; machine learning; Gaussian processes; neural networks; Monte Carlo dropout
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:474705
• Studijski program: Naziv: Fizika; smjerovi: Istraživački; Smjer: Istraživački; Vrsta studija: sveučilišni; Stupanj studija: integrirani prijediplomski i diplomski; Akademski / stručni naziv: sveučilišni magistar fizike (univ. mag. phys.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2025-01-31 11:49:23