Exploring jet calibration with machine learning techniques
Název práce v češtině: | Kalibrace jetů pomocí technik strojového učení |
---|---|
Název v anglickém jazyce: | Exploring jet calibration with machine learning techniques |
Klíčová slova: | jet|jetová kalibrace|strojového učení |
Klíčová slova anglicky: | ATLAS|heavy ions|jet energy calibration|neural networks |
Akademický rok vypsání: | 2020/2021 |
Typ práce: | bakalářská práce |
Jazyk práce: | angličtina |
Ústav: | Ústav částicové a jaderné fyziky (32-UCJF) |
Vedoucí / školitel: | Mgr. Martin Rybář, Ph.D. |
Řešitel: | skrytý![]() |
Datum přihlášení: | 12.10.2020 |
Datum zadání: | 12.10.2020 |
Datum potvrzení stud. oddělením: | 30.12.2020 |
Datum a čas obhajoby: | 08.07.2021 09:00 |
Datum odevzdání elektronické podoby: | 27.05.2021 |
Datum odevzdání tištěné podoby: | 27.05.2021 |
Datum proběhlé obhajoby: | 08.07.2021 |
Oponenti: | Mgr. Radek Žlebčík, Ph.D. |
Konzultanti: | doc. Mgr. Martin Spousta, Ph.D. |
Zásady pro vypracování |
Účelem těžko-iontové fyziky je zkoumat vlastnosti silné interakce a hmotu za extrémních podmínek vytvořených při srážce dvou relativistických těžkých iontů. Teorie silné interakce, kvantová chromodynamika, předpovídá vznik nového stavu hmoty tzv. kvark-gluonového plazmatu. V tomto prostředí dochází ovlivnění částic s velkou energií nesoucí barevný náboj, které vede k potlačení kolimované spršek částic, tzv. jetů.
Energie jetů konstruovaná pomocí standardních algoritmů využívajících informace z kalorimetru detektoru ATLAS na vstupu se obecně liší od energie částic, které jet tvoří. Tento rozdíl je korigován kalibrační procedurou a velikost korekce závisí na hybnosti a poloze jetu v detektoru. Kromě toho mohou být pro zlepšení kalibrace postupně přidány další vlastnosti jetu. Student bude zkoumat možnosti použití metod strojového učení pro zlepšení kalibrace jetů ve srážkách těžkých iontů. Tato technika může být dále použita při určovaní zdali je daný jet iniciovaných gluonem nebo kvarkem. |
Seznam odborné literatury |
J. Žáček, Úvod do fyziky elementárních částic, Praha, Karolinum 2005
Tomáš Davídek a Rupert Leitner, Elementární částice od prvních objevů po současné experimenty, Matfyzpress, ISBN 978-80-7378-205-4 The ATLAS Experiment at the CERN Large Hadron Collider, 2008. 437 pp., JINST 3 (2008) S08003 M. Cacciari, G. P. Salam and G. Soyez, Eur.Phys.J. C72 (2012) 1896 ATLAS Collaboration, ATL-PHYS-PUB-2018-013 (2018) S. Cheong, A. Cukierman, B.Nachman, M., A. Schwartzman, arXiv: 1910.03773 |
Předběžná náplň práce v anglickém jazyce |
The purpose of heavy-ion physics is to study properties of strong interaction and matter under the extreme conditions that is created in collisions of two relativistic heavy ions. The theory of strong interaction, quantum chromodynamics, predicts the existence of a new state of matter called the quark-gluon plasma. High-energy particles carrying a color charge are affected when traversing this hot and dense matter leading to the suppression of collimated sprays of particles, so-called jets. The thesis is focused on the improvement of methods of jet reconstruction in heavy-ion collisions using machine learning techniques.
Generally, the jet energy constructed with standard jet finding algorithms using calorimetric information on the input differs from the particle-level energy. This difference is corrected for by calibration procedure depending on the momentum and position of the jet in the detector. In addition, an auxiliary jet features might be added in a sequence to improve the performance. We propose to use modern machine learning methods for performing jet energy scale corrections using these auxiliary jet features in heavy-ion collisions. This technique will help to perform the measurements discussed in this proposal and might be further used in tagging quark, and gluon initiated jets in physics analyses. |