Kalibrace a určování druhu jetů pomocí technik strojového učení
Kalibrace a určování druhu jetů pomocí technik strojového učení
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/181876Identifikátory
SIS: 227367
Kolekce
- Kvalifikační práce [10925]
Autor
Vedoucí práce
Konzultant práce
Spousta, Martin
Oponent práce
Federič, Pavol
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Částicová a jaderná fyzika
Katedra / ústav / klinika
Ústav částicové a jaderné fyziky
Datum obhajoby
12. 6. 2023
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
jet|jetová kalibrace|strojového učení|těžké ionty|LHC|CERN|ATLAS|cuML|TensorFlowKlíčová slova (anglicky)
jet|jet calibration|machine learning|jet tagging|LHC|CERN|ATLAS|cuML|TensorFlowNázev práce: Kalibrace a určování druhu jetů pomocí technik strojového učení Autor: Bc. Patrik Novotný Ústav: Ústav částicové a jaderné fyziky Vedoucí práce: Mgr. Martin Rybář, Ph.D., Abstrakt: Předkládaná diplomová práce má dva cíle. Zaprvé je jejím cílem zlepšit energe- tickou kalibraci jetů, kolimovaných spršek částic měřených v experimentu ATLAS. Jety jsou považovány za mocný nástroj pro studium vlastností kvark-gluonového plazmatu, které vzniká ve srážkách těžkých iontů na LHC. Kromě kinematických vlastností jetu je klíčovou informací, která může hrát roli při interakci jetu s kvark-gluonovým plazmatem, "flavor" počátečního parton tvrdého partonu. Klasifikace jetů podle flavoru je druhým z výzkumných úkolů. Práce se věnuje využití technik strojového učeního obsažených v soft- warových knihovných TensorFlow a cuML, které umožňují provádět výpočty na grafických kartách. Zkoumanými proměnnými je šestice proměnných související s kinematikou jetu a 24 proměnných souvisejících s energií, kterou deponoval v různých částech detektoru ATLAS. Rozdíly mezi různými modely a jejich nastaveními jsou rozsáhle diskutovány. Klíčová slova: ATLAS, těžké ionty, kalibrace jetů, cuML, TensorFlow 1
Title: Exploring jet calibration and jet tagging with machine learning techniques Author: Bc. Patrik Novotný Institute: Institute of Particle and Nuclear Physics Supervisor: Mgr. Martin Rybář, Ph.D., Institute of Particle and Nuclear Physics Abstract: The presented thesis has two goals. First, it aims to improve the energy calibration of jets, collimated sprays of particles measured in the ATLAS experiment. Jets are considered to be a powerful tool for studying the properties of the quark-gluon plasma produced in heavy-ion collisions at the LHC. Apart from the kinematics properties of the jet, a key information that might play a role in the interaction of jets with the quark-gluon plasma is the "flavor" of the initiating hard parton. The classification of jets according to flavor is the second of the research aims. The work in the thesis explores using various machine learning techniques contained in the TensorFlow and cuML software libraries, which allow computations to be performed on graphics cards to address these two goals. The variables investigated are six variables related to the kinematics of the jet and 24 variables related to the energy deposited in different parts of the ATLAS detector. The differences between the various machine learning models and their settings are extensively discussed....