Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC

Detalhes bibliográficos
Autor(a) principal: Ferreira, Patrícia Gaspar
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/107862
Resumo: Trabalho de Projeto do Mestrado em Engenharia Física apresentado à Faculdade de Ciências e Tecnologia
id RCAP_2550b5a8027a416f6b65b3713aa86eb9
oai_identifier_str oai:estudogeral.uc.pt:10316/107862
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHCAprendizagem Automática na deteção em tempo real de eventos anómalos na experiência ATLAS do LHCaprendizagem automáticadeteção de anomaliasautoencodertriggerATLASmachine learninganomaly detectionautoencodertriggerATLASTrabalho de Projeto do Mestrado em Engenharia Física apresentado à Faculdade de Ciências e TecnologiaNão é possível guardar em tempo real a enorme quantidade de dados gerada na experiência ATLAS, motivo pelo qual existe o trigger. O trigger é responsável por selecionar os eventos que são guardados para análise. No entanto, existe a preocupação de não estarem a ser guardados todos os eventos interessantes. A utilização de métodos de deteção de anomalias pode ser uma forma de melhorar o trigger, de forma a assegurar que estes eventos são guardados. Neste trabalho, foram usados autoencoders para deteção de anomalias semi-supervisionada e o seu desempenho a separar eventos de fundo e de sinal foi estudado. Vários autoencoders com diferentes dimensões do espaço latente foram treinados apenas com eventos de fundo. O desempenho do melhor autoencoder para cada sinal foi comparado com uma rede neuronal supervisionada treinada para cada sinal e a utilização de apenas uma variável para distinguir entre eventos de sinal e fundo. Eventos simulados de Trigger-Level Analysis foram usados como fundo e eventos simulados de HH → bbbb, ZH → bbνν, B+ → J/Ψ, B- → J/Ψ foram usados como sinais. Observou-se que os autoencoders com dimensões do espaço latente mais baixas e mais altas tiveram melhor desempenho. O melhor autoencoder teve pior desempenho que a rede neuronal supervisionada, para todos os sinais. No entanto, para o sinal HH → bbbb, o melhor autoencoder foi melhor do que a utilização de apenas uma variável para distinguir entre eventos de fundo e sinal. Observou-se também a existência de uma correlação negativa entre a qualidade da reconstrução do fundo pelo autoencoder e o desempenho do autoencoder para dois dos sinais considerados. Juntas, estas observações dão uma indicação inicial de que as técnicas de deteção de anomalias têm o potencial para ser muito úteis, melhorando a robustez da seleção de eventos em tempo real feita pelo trigger.It is not possible to save in real time the huge quantity of data generated at the ATLAS experiment, which is why the trigger exists. The trigger is responsible for selecting the events to be saved for later analysis. However, there is the concern that not all interesting events are being saved. Anomaly detection methods could be a way to improve the trigger to make sure these events are selected for storage. In this work, autoencoders were used for semi-supervised anomaly detection and their ability to discriminate between background and signal events was studied. Multiple autoencoders with different latent space dimensions were trained just with background events. The performance of the best autoencoder was compared with a supervised neural network trained for each signal and the use of just one feature for discriminating background and signal events. Simulated Trigger-Level Analysis events were used as background events and simulated HH → bbbb, ZH → bbνν, B+ → J/Ψ, B- → J/Ψ events were used as signal events. It was observed that the autoencoders that performed better were the ones with lower and higher dimensions of the latent space. The best autoencoder performed worse than the supervised neural network, for all the signals. However, for the HH → bbbb signal, the best autoencoder had a better performance than the use of just one feature to discriminate between background and signal events. It was also found a negative correlation between the quality of the background reconstruction by the autoencoder and the performance of the autoencoder for two of the considered signals. When put together, these facts provide an indication that anomaly detection techniques may prove a useful technique to improve the robustness of the trigger event selection.2023-02-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/107862http://hdl.handle.net/10316/107862TID:203338375engFerreira, Patrícia Gasparinfo: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:RCAAP2023-08-02T22:01:43Zoai:estudogeral.uc.pt:10316/107862Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:24:09.577444Repositório 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 Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
Aprendizagem Automática na deteção em tempo real de eventos anómalos na experiência ATLAS do LHC
title Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
spellingShingle Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
Ferreira, Patrícia Gaspar
aprendizagem automática
deteção de anomalias
autoencoder
trigger
ATLAS
machine learning
anomaly detection
autoencoder
trigger
ATLAS
title_short Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
title_full Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
title_fullStr Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
title_full_unstemmed Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
title_sort Machine Learning for real time detection of anomalous events at the ATLAS experiment at the LHC
author Ferreira, Patrícia Gaspar
author_facet Ferreira, Patrícia Gaspar
author_role author
dc.contributor.author.fl_str_mv Ferreira, Patrícia Gaspar
dc.subject.por.fl_str_mv aprendizagem automática
deteção de anomalias
autoencoder
trigger
ATLAS
machine learning
anomaly detection
autoencoder
trigger
ATLAS
topic aprendizagem automática
deteção de anomalias
autoencoder
trigger
ATLAS
machine learning
anomaly detection
autoencoder
trigger
ATLAS
description Trabalho de Projeto do Mestrado em Engenharia Física apresentado à Faculdade de Ciências e Tecnologia
publishDate 2023
dc.date.none.fl_str_mv 2023-02-23
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 http://hdl.handle.net/10316/107862
http://hdl.handle.net/10316/107862
TID:203338375
url http://hdl.handle.net/10316/107862
identifier_str_mv TID:203338375
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
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_ 1799134127068282880

Registros relacionados