Proučavanje duboko virtualnog komptonskog raspršenja pomoću strojnog učenja

diplomski rad

• Naslov (engleski): Studying deeply virtual Compton scattering using machine learning
• Autor: Marko Cvitković
• Mentor: Krešimir Kumerički (mentor)
• Član povjerenstva: Krešimir Kumerički (predsjednik povjerenstva)
• Član povjerenstva: Sanjin Benić (član povjerenstva)
• Član povjerenstva: Mihael Makek (član povjerenstva)
• Član povjerenstva: Nikola Poljak (član povjerenstva)
• Član povjerenstva: Davor Horvatić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2020-10-09, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

Duboko virtualno komptonsko raspršenje (DVCS) je proces kojim se dobro može izučavati trodimenzionalna raspodjela kvarkova i gluona u protonu. Funkcije strukture tog procesa (komptonski form faktori, CFF-ovi) su esencijalno neperturbativni objekti koje modeliramo neuronskim mrežama. One predstavljaju optimalan izbor zbog činjenice da ne unose pristranost. U ovom radu, tako generiran model DVCS amplituda prilagođava se različitim eksperimentalnim mjerenjima. Pokazano je da je prilagodba na podatke najkvalitetnija u slučaju kada se koriste svi CFF-ovi u vodećem doprinosu. Uočene su opservable na koje se model kvalitetnije prilagodi u odnosu na druge te su prikazani naučeni CFF-ovi ovisno o izboru značajki neuronske mreže.

Sažetak (engleski)

Deeply virtual Compton scattering (DVCS) is a process which provides access to quality research of three-dimensional distribution of quarks and gluons inside the proton. Structure functions of that process (Compton form factors, CFF) are essentially non-perturbative objects which we model with neural networks. They represent the optimal choice due to the fact that they do not introduce bias. In this thesis, DVCS amplitudes generated that way are fitted to different sets of experimental data. It is shown that using all leading order CFF functions in modeling experimental observables yields best fit to the data. Also, observables which yield better fits to data than the others are notices and learned CFF functions, based on neural network features choices, are shown.

• Ključne riječi: duboko virtualno komptonsko raspršenje; generalizirane partonske distribucije; komptonski form faktori; neuronske mreže
• Ključne riječi (engleski): deeply virtual Compton scattering; generalized parton distributions; Compton form factors; neural networks
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:651085
• Studijski program: Naziv: Fizika; smjerovi: istraživački; Smjer: istraživački; Vrsta studija: sveučilišni; Stupanj studija: integrirani preddiplomski i diplomski; Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2021-01-04 13:07:05