Kalibrace AI algoritmu na rozlišování kvarkových a gluonových jetů
| Název práce v češtině: | Kalibrace AI algoritmu na rozlišování kvarkových a gluonových jetů |
|---|---|
| Název v anglickém jazyce: | Calibration of an AI-based quark/gluon tagger |
| Klíčová slova: | CERN|ATLAS|LHC|DNN|jet |
| Klíčová slova anglicky: | CERN|ATLAS|LHC|DNN|jet |
| Akademický rok vypsání: | 2023/2024 |
| Typ práce: | diplomová práce |
| Jazyk práce: | |
| Ústav: | Ústav částicové a jaderné fyziky (32-UCJF) |
| Vedoucí / školitel: | Mgr. Vojtěch Pleskot, Ph.D. |
| Řešitel: | skrytý - zadáno a potvrzeno stud. odd. |
| Datum přihlášení: | 05.04.2024 |
| Datum zadání: | 05.04.2024 |
| Datum potvrzení stud. oddělením: | 05.04.2024 |
| Konzultanti: | Mgr. Daniel Scheirich, Ph.D. |
| Zásady pro vypracování |
| Student změří kalibraci neuronové sítě trénované na rozpoznávání původu jetů - jestli jet pochází z kvarku, nebo z gluonu. Student pro svou práci použije data nabraná detektorem ATLAS na urychlovači LHC. K nim použije odpovídající Monte Carlo simulace. Ke své práci bude používat moderní nástroje, jako jsou TensorFlow, uproot, Pandas a NumPy. |
| Seznam odborné literatury |
| Jet tagging: https://arxiv.org/abs/2202.03772v2
Deep learning: https://www.deeplearningbook.org/ Transformer: https://arxiv.org/abs/1706.03762 TensorFlow: https://www.tensorflow.org/ Matrix Method: https://arxiv.org/abs/2308.00716 |
| Předběžná náplň práce |
| Kolaborace ATLAS postavila a provozuje obří detektor částic, který zkoumá produkty srážek protonů urychlených urychlovačem LHC v mezinárodní laboratoři CERN. V těchto srážkách se často rodí výtrysky mnoha částic, tzv. jety. Zhruba řečeno, jet je měřitelným důsledkem vzniku kvarku nebo gluonu s vysokou energií. Jety vzniklé z gluonů mají lehce odlišné vlastnosti než jety vzniklé z kvarků, a tudíž lze v principu odlišit jety vzniklé z gluonů a z kvarků. K tomuto úkolu je velmi výhodné použít metody strojového učení. Vhodnou metodou je algoritmus Transformer, který je používán v mnoha moderních technologických aplikacích. Natrénovaná neuronová síť má ovšem vždy do jisté míry jinou účinnost v datech a v Monte Carlo simulacích. Pro opravu účinnosti v MC simulacích je potřeba změřit tzv. Scale Factor, což je poměr účinností v datech a v MC. |
| Předběžná náplň práce v anglickém jazyce |
| The ATLAS collaboration built and operates a huge detector of particles that studies products of collisions of protons accelerated by the LHC accelerator in the international laboratory CERN. Sprays of particles called jets born in the collisions often. Roughly speaking, a jet is a measurable consequence of a high energy quark or gluon production. Gluon-originated jets have slightly different properties than quark-originated ones. In principle, it is possible to distinguish them from each other. For this purpose, it is convenient to use a machine learning method. A good candidate could be a Transformer algorithm that is used in many modern technological applications. However, a trained neural network always has a somewhat different performance in the data and in Monte Carlo simulations. To correct the efficiency in MC simulations, we need to measure the so-called Scale Factor, which is the ratio of the efficiencies in data and in MC. |