Potraga za novim česticama pomoću tehnika strojnog učenja

diplomski rad

• Naslov (engleski): The search for new particles with the use of machine learning techniques
• Autor: Tin Hadži Veljković
• Mentor: Nikola Poljak (mentor)
• Član povjerenstva: Nikola Poljak (predsjednik povjerenstva)
• Član povjerenstva: Davor Horvatić (član povjerenstva)
• Član povjerenstva: Mirko Planinić (član povjerenstva)
• Član povjerenstva: Krešimir Kumerički (član povjerenstva)
• Član povjerenstva: Ivica Smolić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2021-05-27, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

U ovom radu predstavljene su dvije metode za detekciju novih čestica na sudarivačima poput LHC-a. Obje metode se zasnivaju na uporabi neuralnih mreža, točnije autoenkodera i U-Net mreže. Podaci korišteni u ovom radu dani su u sklopu natjecanja LHC Olympics 2020. Dobivena su dva skupa podataka: podaci koji ne sadrže nove čestice, odnosno opisuju pozadinu i podaci koji sadrže pozadinu i nepoznat broj novih čestica. Treniranjem autoenkoderskih modela na podacima koji sadrže samo pozadinu pokušali smo naučiti njene bitne značajke. Nadalje, evaluacijom modela na drugim podacima pokušali smo detektirati nove čestice tražeći događaje sa lošom autoenkoderskom rekonstrukcijom. Ako događaji s novim česticama odstupaju od pozadine, onda se očekuje da će ih autoenkoder gore rekonstruirati. Uporabom U-Net mreže pokušali smo naučiti model da oponaša anti-kT algoritam grupiranja čestica u mlazove te detektirati nove čestice koristeći istu metodologiju kao i za autoenkoderske modele.

Sažetak (engleski)

In this work we will present the use of machine learning techniques for detecting new particles. Two different types of neural networks were used, namely autoencoders and U-Net. The data used was provided as a part of the competition LHC Olympics 2020. We were given two datasets: a dataset containing only background events and a dataset containing an unknown number of new particles along with the background events. Autoencoder models were trained using the first dataset with the goal of learning crucial background information via latent variables. The new particles are considered as anomalies, and therefore we expect the model to poorly reconstruct the data when evaluated on the events containing new particles. The U-Net model was used to learn the anti-kT jet clustering algorithm, and anomaly detection was conducted using the same methodology as for the autoencoders.

• Ključne riječi: fizika izvan standardnog modela; eksperimentalna fizika čestica; strojno učenje; autoenkoderi; U-Net mreža
• Ključne riječi (engleski): physics beyond the Standard Model; experimental Particle Physics; machine learning; autoencoders; U-Net
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:601043
• 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: 2021-06-17 12:08:55