Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja

Šarić, Toni

$prikaz prve stranice dokumenta Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja$

Preuzmi
PDF 4.49 MB

diplomski rad

Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja

2020. urn:nbn:hr:166:806797

Šarić, Toni

Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za fiziku

Citirajte ovaj rad

APA 6th Edition

Šarić, T. (2020). Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja (Diplomski rad). Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:166:806797

MLA 8th Edition

Šarić, Toni. "Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja." Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2020. https://urn.nsk.hr/urn:nbn:hr:166:806797

Chicago 17th Edition

Harvard

Šarić, T. (2020). 'Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja', Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, citirano: 06.12.2024., https://urn.nsk.hr/urn:nbn:hr:166:806797

Vancouver

Šarić T. Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja [Diplomski rad]. Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet; 2020 [pristupljeno 06.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:806797

IEEE

T. Šarić, "Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja", Diplomski rad, Sveučilište u Splitu, Prirodoslovno-matematički fakultet, Split, 2020. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:806797

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:166:806797

Prijavite se u repozitorij kako biste mogli spremiti objekt u svoju listu.

Podaci o radu

Naslov	Identifikacija miona u CMS detektoru pri proton-proton sudarima energije $\sqrt{s}=13$ TeV metodama strojnog učenja
Naslov (engleski)	Identification of muons with the CMS detector in proton-proton collisions at $\sqrt{s}=13$ TeV using machine-learning methods
Autor	Toni Šarić
Mentor	Marko Kovač (mentor)
Mentor	Hrvoje Kalinić (pomoć pri izradi, neposredni voditelj)
Član povjerenstva	Marko Kovač (predsjednik povjerenstva)
Član povjerenstva	Hrvoje Kalinić (član povjerenstva)
Član povjerenstva	Nikola Godinović (član povjerenstva)
Ustanova koja je dodijelila akademski / stručni stupanj	Sveučilište u Splitu Prirodoslovno-matematički fakultet (Odjel za fiziku) Split
Datum i država obrane	2020-07-02, Hrvatska
Znanstveno / umjetničko područje, polje i grana	PRIRODNE ZNANOSTI Fizika
Znanstveno / umjetničko područje, polje i grana	TEHNIČKE ZNANOSTI Računarstvo
Sažetak	U ovom diplomskom radu napravljena je identifikacija objekata dobivenih simulacijom Drell-Yan procesa. Rekonstruirani objekti podijeljeni su u dvije klase: u klasu signalnih i u klasu pozadinskih objekata koji su zatim spremljeni u skup podataka. Signalni objekti su mioni najvjerojatnije nastali u primarnom verteksu, dok su pozadina objekti pogrešno rekonstruirani kao mioni. Analize podataka na CERN-u nerijetko koriste takozvane cut based ID metode za identifikaciju objekata, stoga ovaj rad razmatra mogućnost zamjene tog pristupa pristupom strojnog učenja. Strojno učenje uči model razlikovati objekte treniranjem na već klasificiranim podacima da bi bio sposoban identificirati signal u eksperimentalnim podacima prikupljenim radom CMS detektora. Želeći imitirati ovaj proces, kreirani skup podataka dijeli se na skup podatka za treniranje i na skup za testiranje. Glavnu prepreku u ostvarenju cilja predstavlja neuravnoteženost klasa jer je broj pozadinskih objekata uvelike, približno 14 puta, manji od signalnih. Obrađena su dva pristupa problemu neuravnoteženosti podataka. Prvi pristup je težinsko treniranje koje mijenja težine funkciji pogreške. Drugi pristup je balansiranje klasa dodavanjem ili izbacivanjem objekata skupa podataka za treniranje.
Sažetak (engleski)	In this thesis, the identification of objects obtained by simulation of the Drell-Yan process is made. The reconstructed objects were divided into two classes: the signal object class and the background object class, which were then stored in a data set. Signal objects are muons most likely formed in the primary vertex, while background objects are inaccurately reconstructed as muons. Data analysis at CERN often use so-called cut-based ID methods to identify objects, therefore this paper considers the possibility of replacing this approach with a machine learning strategy. Machine learning teaches the model to distinguish objects by training on already classified data to be able to identify the signal in the experimental data collected by the operation of the CMS detector. Wanting to mimic this process, the created data set is divided into a training data set and a test data set. In achieving the goal, the main impediment were the imbalance of classes which means the number of background objects is much, approximately 14 times, less than the signal. Two approaches to the problem of data imbalance are discussed. The first approach is weight balancing which changes the weights of the error function. The second approach is to balance classes by adding or removing objects from a training data set.
Ključne riječi
Ključne riječi (engleski)
Jezik	hrvatski
URN:NBN	urn:nbn:hr:166:806797
Studijski program	Naziv: Fizika; smjerovi: Nastavnički, Astrofizika, Biofizika, Fizika okoliša, Računarska fizika, Astrofizika i fizika elementarnih čestica Smjer: Računarska fizika Vrsta studija: sveučilišni Stupanj studija: diplomski Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
Vrsta resursa	Tekst
Način izrade datoteke	Izvorno digitalna
Prava pristupa	Otvoreni pristup
Uvjeti korištenja
Datum i vrijeme pohrane	2021-02-01 11:13:35