Supervised machine learning techniques in high energy physics

Detalhes bibliográficos
Autor(a) principal: Oliveira, António Carlos Pinto
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/83194
Resumo: Dissertação de mestrado em Física
id RCAP_1bb0d0ce4e3ac2bce85642206ff11d12
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/83194
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Supervised machine learning techniques in high energy physicsTécnicas de aprendizagem automática supervisionada em física de altas energiasAlém do modelo padrãoAprendizagem automáticaATLASBeyond the standard modelMachine learningCiências Naturais::Ciências FísicasDissertação de mestrado em FísicaO Modelo Padrão da Física de Partículas (MP) é uma teoria extremamente bem sucedida na confrontação experimental. No entanto, a busca por fenómenos que não caibam no seu quadro explicativo é um campo ativo. Várias famílias de teorias que estendem o MP são construídas e novos fenómenos por elas previstos são objeto de pesquisa. Nomeadamente, são feitas buscas por partículas que essas teorias prevêm que se manifestem nos dados adquiridos no detetor ATLAS no LHC a uma energia do centro de massa de 13 TeV. Um tipo particular de buscas consiste em estabelecer limites para certos parâmetros da teoria. Para levar a cabo essas pesquisas vários métodos são usados. Todos eles se baseiam em otimizar a capacidade para distinguir o que é modelizado como acontecimentos esperados assumindo o MP como explicação para as observações (fundo) e o que é modelizado como acontecimentos que deveriam estar presentes se a extensão ao MP fosse correta (sinal). Têm vindo a ser usadas técnicas de aprendizagem de máquina para esse efeito como alternativa a uma análise em que se delimita o espaço de fase da pesquisa usando regiões retangulares e se usam variáveis discriminantes motivadas pelo conhecimento da física do problema em estudo. As redes neuronais escolhem regiões do espaço de fase com formas mais gerais e constroem uma variável discriminante que é opaca no seu significado físico, mas eficaz. Neste trabalho é feita uma comparação do uso de redes neuronais profundas com a análise mais tradicional para estabelecer limites inferiores da massa dum hipotético bosão Z’ usando dados públicos de ATLAS. É também estudado o efeito do uso da variável motivada fisicamente como componente de uma análise baseada em redes neuronais. Por fim, um estudo adicional é feito sobre a transferibilidade de redes neuronais treinadas para reconhecer um sinal específico para discriminar sinais diferentes.The Standard Model of particle physics (SM) is an extremely successful theory in the comparison with experimental data. However, the search for phenomena that do not fit into its explanatory framework is an active field. Several families of theories extending the SM are constructed and new phenomena predicted by them are the subject of research. Particularly, searches are conducted to find particles that these theories predict will manifest themselves in data acquired at the ATLAS detector at the LHC at a center-of-mass energy of 13 TeV. One particular type of search consists of setting limits on certain parameters of the theory, namely the mass of said particles. To carry out these searches various methods are used. They are all based on optimizing the ability to distinguish between what is modeled as expected events assuming the MP as an explanation for the observations (background) and what is modeled as events that should be present if the extension to the MP were correct (signal). Machine learning techniques have been used for this purpose as an alternative to an analysis in which one delimits the phase space of the search using rectangular regions and uses discriminant variables motivated by knowledge of the physics of the problem under study. Neural networks choose regions of the phase space with more general shapes and construct a discriminant variable that is opaque in its physical meaning, but effective. In this work a comparison is made of the use of deep neural networks with more traditional analysis to establish lower limits on the mass of a hypothetical Z’ boson using ATLAS open data. The effect of using the physically motivated variable as a component of a neural network-based analysis is also studied. Finally, an additional study is done on the transferability of neural networks trained to recognize a specific signal to discriminate different signalsCastro, Nuno FilipeRomão, Miguel Correia dos Santos CrispimUniversidade do MinhoOliveira, António Carlos Pinto2022-05-242022-05-24T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/83194eng203053664info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:09:53Zoai:repositorium.sdum.uminho.pt:1822/83194Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:01:25.349778Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Supervised machine learning techniques in high energy physics
Técnicas de aprendizagem automática supervisionada em física de altas energias
title Supervised machine learning techniques in high energy physics
spellingShingle Supervised machine learning techniques in high energy physics
Oliveira, António Carlos Pinto
Além do modelo padrão
Aprendizagem automática
ATLAS
Beyond the standard model
Machine learning
Ciências Naturais::Ciências Físicas
title_short Supervised machine learning techniques in high energy physics
title_full Supervised machine learning techniques in high energy physics
title_fullStr Supervised machine learning techniques in high energy physics
title_full_unstemmed Supervised machine learning techniques in high energy physics
title_sort Supervised machine learning techniques in high energy physics
author Oliveira, António Carlos Pinto
author_facet Oliveira, António Carlos Pinto
author_role author
dc.contributor.none.fl_str_mv Castro, Nuno Filipe
Romão, Miguel Correia dos Santos Crispim
Universidade do Minho
dc.contributor.author.fl_str_mv Oliveira, António Carlos Pinto
dc.subject.por.fl_str_mv Além do modelo padrão
Aprendizagem automática
ATLAS
Beyond the standard model
Machine learning
Ciências Naturais::Ciências Físicas
topic Além do modelo padrão
Aprendizagem automática
ATLAS
Beyond the standard model
Machine learning
Ciências Naturais::Ciências Físicas
description Dissertação de mestrado em Física
publishDate 2022
dc.date.none.fl_str_mv 2022-05-24
2022-05-24T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/83194
url https://hdl.handle.net/1822/83194
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203053664
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132413081681920

Registros relacionados