Machine learning na seleção de eventos do experimento ALICE do LHC

Detalhes bibliográficos
Autor(a) principal: Liveraro, Gianni Shigeru Setoue, 1997-
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/6755
Resumo: Orientador: Jun Takahashi
id UNICAMP-30_cd46eae2be0c4a9cba6bdd69d2a89892
oai_identifier_str oai::1256754
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Machine learning na seleção de eventos do experimento ALICE do LHCMachine learning for event selection in the ALICE experiment at the LHCAprendizado de máquinaExperimento ALICEGrande Colisor de Hádrons (França e Suiça)Machine learningALICE experimentLarge Hadron Collider (France and Switzerland)Orientador: Jun TakahashiDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Física Gleb WataghinResumo: O experimento ALICE do LHC foi construído para estudar a física das interações fortes e o Plasma de Quarks e Glúons. Em operações de alta luminosidade, é possível que múltiplas colisões ocorram suficientemente próximas no tempo de forma que os seus sinais sejam associados à um único evento. Este processo, conhecido como empilhamento (do inglês, pile-up), polui as informações das colisões de interesse e impacta negativamente as análises físicas. Atualmente, para mitigar tais efeitos, parte dos eventos com pile-up são removidos das análises por uma seleção baseada em cortes sobre propriedades globais dos eventos. Nos últimos anos, os algoritmos de Machine Learning (ML) têm ganhado cada vez mais importância em muitas análises da física de altas energias devido ao seu alto desempenho em extrair padrões de grandes quantidades de dados. Neste trabalho, aplicamos as técnicas de ML sobre eventos simulados de colisões Pb-Pb à ?sNN = 5.02 TeV para aprimorar a rejeição de pile-up no experimento ALICE. Os seguintes algoritmos foram treinados com as características globais dos eventos: Random Forest, Boosted Decision Tree (BDT), Máquinas de Vetores-Suporte, Regressão Logística e Rede Neural Artificial (Multi-Layer Perceptron, MLP). Uma arquitetura mais recente de Rede Neural Artificial, conhecida como Graph Neural Network, foi treinada com informações das trajetórias dos eventos. Um ganho de pelo menos 10% sobre o método de seleção padrão foi observado com a BDT e com a Rede MLP, que tiveram o melhor desempenho entre todos os modelos. As implementações de ML também se mostraram robustas e confiáveis para eventuais aplicações sobre eventos reais. A importância de cada atributo na classificação dos eventos foi avaliada e observamos que bons desempenhos podem ser obtidos mesmo retirando informações de alguns detectores dos treinamentosAbstract: The LHC's ALICE experiment is designed to study the physics of strong interactions and the Quark-Gluon Plasma. At large luminosity, multiple collisions can occur close enough in time that their signals are associated with a single event. This process, known as pile-up, pollutes information from collisions of interest and negatively impacts physical analyses. Currently, to mitigate such effects, part of the pile-up events are removed from analyses by a selection based on cuts on global event properties. In recent years, Machine Learning (ML) algorithms have gained increasing importance in many analyzes of high-energy physics due to their high performance in extracting patterns from large amounts of data. In this work, we apply ML techniques on simulated Pb-Pb collision events at ?sNN = 5.02 TeV to improve pile-up rejection in the ALICE experiment. The following algorithms were trained with the global event properties: Random Forest, Boosted Decision Tree (BDT), Support Vector Machines, Logistic Regression, and Artificial Neural Network (Multi-Layer Perceptron, MLP). A more recent architecture of Artificial Neural Network, known as Graph Neural Network, was trained with information from event tracks. A gain of at least 10% over the standard selection method was observed with BDT and MLP Network, which had the best performances among all models. The ML techniques also proved to be robust and reliable for eventual applications on real events. The importance of each feature on the classification task was also evaluated and we observed that good performances can be obtained even by removing information from some detectors in the training processesMestradoFísica AplicadaMestre em FísicaCAPES88887.514503/2020-00[s.n.]Takahashi, Jun, 1971-Arthur, RangelTessler, Leandro RussovskiUniversidade Estadual de Campinas (UNICAMP). Instituto de Física Gleb WataghinPrograma de Pós-Graduação em FísicaUNIVERSIDADE ESTADUAL DE CAMPINASLiveraro, Gianni Shigeru Setoue, 1997-20222022-10-25T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (108 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/6755LIVERARO, Gianni Shigeru Setoue. Machine learning na seleção de eventos do experimento ALICE do LHC . 2022. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Física Gleb Wataghin, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/6755. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1256754Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2022-12-07T13:59:20Zoai::1256754Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-12-07T13:59:20Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Machine learning na seleção de eventos do experimento ALICE do LHC
Machine learning for event selection in the ALICE experiment at the LHC
title Machine learning na seleção de eventos do experimento ALICE do LHC
spellingShingle Machine learning na seleção de eventos do experimento ALICE do LHC
Liveraro, Gianni Shigeru Setoue, 1997-
Aprendizado de máquina
Experimento ALICE
Grande Colisor de Hádrons (França e Suiça)
Machine learning
ALICE experiment
Large Hadron Collider (France and Switzerland)
title_short Machine learning na seleção de eventos do experimento ALICE do LHC
title_full Machine learning na seleção de eventos do experimento ALICE do LHC
title_fullStr Machine learning na seleção de eventos do experimento ALICE do LHC
title_full_unstemmed Machine learning na seleção de eventos do experimento ALICE do LHC
title_sort Machine learning na seleção de eventos do experimento ALICE do LHC
author Liveraro, Gianni Shigeru Setoue, 1997-
author_facet Liveraro, Gianni Shigeru Setoue, 1997-
author_role author
dc.contributor.none.fl_str_mv Takahashi, Jun, 1971-
Arthur, Rangel
Tessler, Leandro Russovski
Universidade Estadual de Campinas (UNICAMP). Instituto de Física Gleb Wataghin
Programa de Pós-Graduação em Física
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Liveraro, Gianni Shigeru Setoue, 1997-
dc.subject.por.fl_str_mv Aprendizado de máquina
Experimento ALICE
Grande Colisor de Hádrons (França e Suiça)
Machine learning
ALICE experiment
Large Hadron Collider (France and Switzerland)
topic Aprendizado de máquina
Experimento ALICE
Grande Colisor de Hádrons (França e Suiça)
Machine learning
ALICE experiment
Large Hadron Collider (France and Switzerland)
description Orientador: Jun Takahashi
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-10-25T00:00:00Z
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/20.500.12733/6755
LIVERARO, Gianni Shigeru Setoue. Machine learning na seleção de eventos do experimento ALICE do LHC . 2022. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Física Gleb Wataghin, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/6755. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/6755
identifier_str_mv LIVERARO, Gianni Shigeru Setoue. Machine learning na seleção de eventos do experimento ALICE do LHC . 2022. 1 recurso online (108 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Física Gleb Wataghin, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/6755. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1256754
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (108 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189185866694656

Registros relacionados