Hızlandırıcı tabanlı çarpışma olaylarına ait atlas açık verileri ile transformer kullanarak jet kümeleme araştırması
A study of jet clustering using transformers on atlas open data from accelerator-based collision events
- Tez No: 1018831
- Danışmanlar: PROF. DR. İLKAY TÜRK ÇAKIR
- Tez Türü: Yüksek Lisans
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Hızlandırıcı Teknolojiler Enstitüsü
- Ana Bilim Dalı: Hızlandırıcı Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Hızlandırıcı ve Dedektör Teknolojileri Ana Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, ATLAS Açık Verisi kapsamında yer alan 13 TeV proton-proton çarpışma verileri kullanılarak, anti-kt algoritması ile 0,4 yarıçap parametresiyle yeniden oluşturulmuş küçük yarıçaplı jetlerden hareketle Transformer tabanlı bir gömü uzayı oluşturulmuş ve bu uzay aracılığıyla büyük yarıçaplı jet adaylarının üretilmesi amaçlanmıştır. Büyük yarıçaplı jetler, W, Z ve Higgs bozonları ile üst kuark gibi yüksek momentumlu parçacıkların hadronik bozunumlarının tanımlanmasında kullanılan temel yapılardır. ATLAS deneyinde büyük yarıçaplı jetlerin yeniden oluşturulması, topokümelerden başlayan ve jet temizleme (grooming) ile kalibrasyon adımlarını içeren karmaşık bir işlem zincirine dayanmaktadır. Ancak bu sürecin tüm bileşenleri dış kullanıcılar için doğrudan erişilebilir değildir. Bu nedenle, yalnızca kalibre edilmiş küçük yarıçaplı jetlerden yararlanarak büyük yarıçaplı jet adaylarını üreten alternatif bir yaklaşım geliştirilmiştir. Önerilen yöntemde Transformer tabanlı bir kodlayıcı, kontrastif öğrenme yaklaşımı ile eğitilmiş ve küçük yarıçaplı jetler için 32 boyutlu bir gömü uzayı elde edilmiştir. Bu gömü uzayında yoğunluk temelli kümeleme yöntemi (DBSCAN) uygulanmış, elde edilen kümeler Lorentz dört-vektörlerinin toplanması yoluyla büyük yarıçaplı jet adaylarına dönüştürülmüştür. Model, ATLAS Açık Verisi'ne ait Run 00302393 veri kümesi üzerinde eğitilmiş ve ATLAS deneysel referans kümesi AnalysisLargeRJets ile karşılaştırılmıştır. Ayrıca modelin genelleme başarımı, eğitim sırasında kullanılmayan dört farklı data16 Run'u üzerinde sınanarak doğrulanmıştır. Elde edilen sonuçlar, gerçek ATLAS verisi üzerinde Transformer tabanlı kontrastif öğrenme yaklaşımı kullanılarak küçük yarıçaplı jetlerden büyük yarıçaplı jet adaylarının üretilebildiğini, model çıktısının olay başına aday sayısı ile sözde-hızlılık ve azimutal açı düzlemindeki konum bakımından ATLAS deneysel referansı ile yüksek doğrulukta örtüştüğünü ve bu yaklaşımın alternatif bir aday üretim yöntemi olarak uygulanabilir olduğunu göstermektedir.
Özet (Çeviri)
In this study, 13 TeV proton-proton collision data from the ATLAS Open Data were used to construct a Transformer-based embedding space from small-radius jets reconstructed with the anti-kt algorithm at a radius parameter of 0.4, in order to produce large-radius jet candidates. Large-radius jets are fundamental objects for identifying the hadronic decays of high-momentum particles such as the W, Z and Higgs bosons and the top quark. In the ATLAS experiment, the reconstruction of large-radius jets relies on a complex chain that begins with topological clusters and includes grooming and calibration. However, not all components of this process are directly accessible to external users. Therefore, an alternative approach producing large-radius jet candidates from only calibrated small-radius jets was developed. In the proposed method, a Transformer-based encoder was trained with contrastive learning, yielding a 32-dimensional embedding space for small-radius jets. A density-based clustering method (DBSCAN) was applied in this space, and the resulting clusters were converted into large-radius jet candidates by summing their Lorentz four-vectors. The model was trained on the Run 00302393 dataset of the ATLAS Open Data and compared with the ATLAS reference collection AnalysisLargeRJets. Its generalization was further validated on four different data16 Runs not used during training. The results show that large-radius jet candidates can be produced from small-radius jets on real ATLAS data, that the model output agrees closely with the ATLAS reference in per-event candidate count and in pseudorapidity and azimuthal-angle position, and that the approach is applicable as an alternative candidate-production method.
Benzer Tezler
- Hızlandırıcı tabanlı radyoizotop üretimi ve potansiyelinin simülasyonlar yoluyla araştırılması
Comparison of accelator based radioisotope production potentials in medical imaging
ŞEYDANUR AKÇAY
Yüksek Lisans
Türkçe
2020
Fizik ve Fizik Mühendisliğiİstanbul Aydın ÜniversitesiSağlık Bilişimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SİNAN KUDAY
- LHeC'te e+p çarpıştırıcısının ve dedektörünün incelenmesi
Investigation of e+p collider and detector at LHeC
ERTAN ARIKAN
Doktora
Türkçe
2013
Fizik ve Fizik MühendisliğiNiğde ÜniversitesiFizik Ana Bilim Dalı
YRD. DOÇ. DR. HÜSNÜ AKSAKAL
- Advanced visual odometry and depth estimation techniques for unmanned aerial systems (UAS) in U-Space environments
İnsansız hava araçları (İHA) için gelişmiş görsel odometri ve derinlik tahmin teknikleri U-Space ortamlarında
SEYED ERFAN SEYED ROGHANI
Doktora
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE KOYUNCU
- Simulation and fabrication of thin film notch filter
İnce film optik eksiltme filtre benzetimi ve üretimi
ERAY HUMALI
Yüksek Lisans
İngilizce
2020
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. MUHAMMET KÜRŞAT KAZMANLI
- Lineer hızlandırıcı tabanlı stereotaktik radyoterapi dozimetrisi ve doz dağılımı parametrelerinin dedektör cinsi ve hacmine olan bağlılığı
Lineer accelarator base stereotactic dosimetry and dependence of dose parameter on dedector type and volume
GÜNGÖR ARSLAN
Yüksek Lisans
Türkçe
1998
Radyoloji ve Nükleer TıpHacettepe ÜniversitesiRadyasyon Tedavi Fiziği ve Planlaması Ana Bilim Dalı
PROF. DR. İ. LALE ATAHAN