Gluino-gluino üretimi sinyalinin standart model ardalanından derin öğrenme ile ayrıştırılması
Separation of the gluino–gluino production signal from the standard model background using deep learning
- Tez No: 982626
- Danışmanlar: DOÇ. DR. ALİ ÇELİK
- Tez Türü: Yüksek Lisans
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Burdur Mehmet Akif Ersoy Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tezde, Standart Model Ötesi (SMÖ) sinyallerin, Standart Model (SM) arka planlarından ayrılması için derin öğrenme teknikleri kullanılmıştır. Bu yöntemler, yüksek boyutlu ve karmaşık parçacık fiziği verilerinde geleneksel analizlerin sınırlı kalması nedeniyle tercih edilmiştir. Benzer işlemler istatistiksel veya kural tabanlı yöntemlerle yapılabilse de bu yöntemler genellikle düşük doğruluk ve genelleme kabiliyeti ile sınırlıdır. Gluino çift üretimine ait simülasyon verilerinde DNN, CNN, TabNet ve Autoencoder+TabNet modelleri uygulanmış, Optuna ile optimize edilmiştir. Sonuçlar, hibrit yapının doğruluk ve AUC metriklerinde diğer modellere kıyasla yaklaşık %3–5 daha yüksek başarı sağladığını, CNN'in ise bu değerlere oldukça yakın performans gösterdiğini ortaya koymuştur. Bu çalışma, derin öğrenme tabanlı yöntemlerin SMÖ sinyallerinin sınıflandırılmasında etkili araçlar sunduğunu ve hibrit yaklaşımların, tekil yöntemlere kıyasla anlamlı ölçüde performans artışı sağlayabileceğini göstermektedir.
Özet (Çeviri)
In this thesis, deep learning techniques were employed to distinguish Beyond the Standard Model (BSM) signals from Standard Model (SM) backgrounds. These methods were chosen due to the limitations of traditional analyses in handling high-dimensional and complex particle physics data. While similar tasks could be performed using statistical or rule-based methods, such approaches are generally constrained by lower accuracy and generalization capability. On simulated gluino pair production data, DNN, CNN, TabNet, and Autoencoder+TabNet models were implemented and optimized using Optuna. The results showed that the hybrid structure achieved approximately 3–5% higher performance in accuracy and AUC metrics compared to other models, with the CNN model achieving values very close to this performance. This study demonstrates that deep learning-based methods provide effective tools for classifying BSM signals and that hybrid approaches can yield significant performance improvements over individual methods.
Benzer Tezler
- CMS deneyinde Monte Carlo Yöntemi'yle süpersimetrik parçacıkların üretimi
Supersymmetric particles production at CMS experiment by Monte Carlo Method
SERCAN ŞEN
Yüksek Lisans
Türkçe
2007
Fizik ve Fizik Mühendisliğiİstanbul ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. K. GEDİZ AKDENİZ
PROF. DR. RAMAZAN SEVER
- Proton-proton çarpışmasında nötralino ve chargino üretimi
The neutralino and chargino production in proton-proton collisions
MEHMET DEMİRCİ
Doktora
Türkçe
2015
Fizik ve Fizik MühendisliğiKaradeniz Teknik ÜniversitesiFizik Ana Bilim Dalı
PROF. DR. AHMET HAKAN YILMAZ
- Supersymmetry with heavy scalars at the LHC
LHC'de ağır skalarlı süpersimetri
SEZEN SEKMEN
Doktora
İngilizce
2008
Fizik ve Fizik MühendisliğiOrta Doğu Teknik ÜniversitesiFizik Bölümü
PROF. DR. MEHMET T. ZEYREK
- Minimal süpersimetrik standart model ve yüksek enerjili foton-proton çarpışmaları
Minimal supersymetric standart model and high energy foton-proton collisions
AYFER KANDEMİR
Doktora
Türkçe
1997
Fizik ve Fizik MühendisliğiAnkara ÜniversitesiFizik Mühendisliği Ana Bilim Dalı
PROF.DR. ALİ ULVİ YILMAZER
- Tutkallamada yonga sıcaklığının levha özelliklerine etkisi
Effect of chip temperature on board properties in gluing
ÖZGÜR YİĞİTTAP
Yüksek Lisans
Türkçe
2016
Ağaç İşleriBartın ÜniversitesiOrman Endüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH İSTEK