Jet energy corrections with deep learning
Yapay öğrenme ile jet enerji düzeltmeleri
- Tez No: 898306
- Danışmanlar: Prof. Dr. MEHMET BURÇİN ÜNLÜ, PROF. DR. BORA IŞILDAK
- Tez Türü: Yüksek Lisans
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Özyeğin Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Fizik Bilim Dalı
- Sayfa Sayısı: 74
Özet
Büyük Hadron Çarpıştırıcısı (LHC), yüksek enerji fiziği alanında kullanılan en güçlü parçacık çarpıştırıcısıdır. LHC deneylerinin merkezinde, proton proton etkileşimlerinden kaynaklanan parçacık ışınını kaydetmek için tasarlanmış bir dedektör olan CMS dedektörü bulunmaktadır. Proton çarpışmalarından ortaya çıkan parçacıklar, Monte Carlo simülasyonları aracılığıyla jet ismiyle bilinen objeleri oluşturmak üzere yeniden yapılandırılır ve kümelenir. Jetler, doğada serbest halde bulunamayan parçacıklar olan quark ve gluonların deneysel göstergeleridir. Yüksek enerji süreçlerinin yapılandırılması, parçacık etkileşimlerinin tanımlanması ve Standart Model ötesi fizik arayışları gibi araştırmalar jet çalışmalarına dayanır. Dedektör tepkisi ve bazı ek faktörler nedeniyle jetlerin ölçülen enerjilerinin simülasyondan elde edilen“gerçek”değerlere göre kalibre edilmesi gerekir. Bu nedenle CMS deneyinde jet enerjilerinin gerçek enerjilerine yaklaştırılması için bir seri jet enerji düzeltmesi uygulanmakta. Bu tezde, standart jet düzeltmelerini daha da geliştirmek için derin öğrenme yaklaşımı kullanıldı. Son yıllarda makine öğrenme algoritmalarının dahil edilmesinin, yüksek enerji fiziği çalışmalarında güzel sonuçlar verdiği görülmekte. Yakın zamanda derin öğrenme yöntemlerindeki gelişmelerden, jet etiketleme ve yeniden yapılandırma gibi görevler de payını almış olmakta. Bir regresyon problemi olan jet enerjisi düzeltme işlemi için iki model kullandık: Derin Set tabanlı Parçacık Akış Ağı ve daha basit, tam bağlantılı bir derin sinir ağı. Düzeltmelerin sonuçları temel olarak performansın kapsamlı bir şekilde anlaşılmasına olanak tanıyan iki ölçümle sunuldu: ortalama enerji tepkisi ve relatif jet enerjisi çözünürlüğü. Modellerin her iki ölçümde de standart enerji düzeltmelerini büyük ölçüde aştığı gözlemlendi.
Özet (Çeviri)
The LHC at CERN accelerates and collides protons at enormous energies and currently is the most powerful particle accelerator available. The CMS detector is a sophisticated device designed to record the cascade of particles arising from these collisions. With the aid of Monte Carlo simulations, detected particles are reconstructed and clustered together to create physics objects known as jets. The importance of jets is linked to the indirect study of quarks and gluons, since they are not observed freely in nature. Tasks such as reconstruction of high-energy processes, identification of particle interactions and search for new physics beyond the Standard Model all rely on precise study of jets. Due to the detector response and additional factors, the measured energies of the jets need to be calibrated according to simulated truth values. Hence, in the CMS experiment, a sequence of jet energy correction methods is applied to align the jet energies with the true values. In this thesis, we utilized a deep learning approach to further improve standard jet corrections. In recent years, the incorporation of machine learning algorithms has shown great results in high-energy physics studies. Tasks such as jet tagging and particle reconstruction have benefited from recent developments in deep learning. For the jet energy correction task, which is a regression problem, we used two models: the Deep Sets-based Particle Flow Network and a more straightforward fully connected deep neural network. The results of the corrections are presented primarily by two metrics that allow for a comprehensive understanding of performance: average response and relative jet energy resolution. The models surpassed standard energy corrections on a large scale in both metrics.
Benzer Tezler
- Sıvılaşma analizi ve sıvılaşma sonucu oluşan yanal yayılma hesap yöntemlerinin karşılaştırılması
Liquefaction analysis and comparison of lateral spread calculation methods resulting from liquefaction
MERT ALTINDİŞ
Yüksek Lisans
Türkçe
2020
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. AYFER ERKEN
- Determination of the jet energy scale corrections for the low pt jets in proton- proton collisions at √𝒔 = 13 tev with the cms experiment
Cms deneyi ile √𝒔 = 13 tev'lik proton-proton çarpışmalarında düşük pt'li jetler için jet enerji ölçek düzeltmelerinin belirlenmesi
ZÜHAL ŞEYMA DEMİROĞLU
Doktora
İngilizce
2020
Fizik ve Fizik MühendisliğiÇukurova ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. EDA EŞKUT
DOÇ. DR. SALİM ÇERÇİ
- F-16 savaş uçağı hareket modları ve karşılaştırmalı kontrol sistemleri (PID, LQR, SAS) tasarımı
Comparative control systems design with F-16 fighter aircraft motion modes and control systems (PID, LQR, SAS)
ORHAN KARA
Yüksek Lisans
Türkçe
2024
Savunma ve Savunma Teknolojileriİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ELBRUS JAFAROV
- Yıldız kesitli katı yakıcı-yakıtlı bir roket motorunun performansının incelenmesi
A study of performance of a star-shaped solid propellant rocket motor
HALİT YAŞAR