prikaz prve stranice dokumenta Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices
  Preuzmi
PDF 11.1 MB
disertacija
Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices
Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2024. urn:nbn:hr:179:060086
Burazin Mišura, Arijana
Sveučilište u Splitu
Fakultet elektrotehnike, strojarstva i brodogradnje

Institucijski repozitorij: Repozitorij Fakulteta elektrotehnike, strojarstva i brodogradnje

Citirajte ovaj rad

Burazin Mišura, A. (2024). Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices (Disertacija). Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:179:060086

Burazin Mišura, Arijana. "Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices." Disertacija, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2024. https://urn.nsk.hr/urn:nbn:hr:179:060086

Burazin Mišura, Arijana. "Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices." Disertacija, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, 2024. https://urn.nsk.hr/urn:nbn:hr:179:060086

Burazin Mišura, A. (2024). 'Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices', Disertacija, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, citirano: 25.11.2024., https://urn.nsk.hr/urn:nbn:hr:179:060086

Burazin Mišura A. Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices [Disertacija]. Split: Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje; 2024 [pristupljeno 25.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:179:060086

A. Burazin Mišura, "Artificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices", Disertacija, Sveučilište u Splitu, Fakultet elektrotehnike, strojarstva i brodogradnje, Split, 2024. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:179:060086

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:179:060086
Podaci o radu
NaslovArtificial Intelligence Algorithms for the Real-Time Selection of Physically Important Events Within the CMS L1 Trigger FPGA Devices
Naslov (engleski)Algoritmi umjetne inteligencije za selekciju fizikalno bitnih događaja u realnom vremenu na FPGA uređajima unutar CMS L1 okidača
AutorArijana Burazin Mišura
MentorJosip Musić (mentor)
Član povjerenstvaVladan Papić (predsjednik povjerenstva)
Član povjerenstvaDamir Lelas (član povjerenstva)
Član povjerenstvaMaja Braović (član povjerenstva)
Član povjerenstvaJean-Baptiste Sauvan https://orcid.org/0000-0002-1086-9880 (član povjerenstva)
Član povjerenstvaMirela Kundid Vasić https://orcid.org/0000-0002-8441-0693 (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Fakultet elektrotehnike, strojarstva i brodogradnje
Split
Datum i država obrane2024, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		TEHNIČKE ZNANOSTI
Računarstvo
Umjetna inteligencija
Univerzalna decimalna klasifikacija
(UDC)		004 - Računalna znanost i tehnologija. Računalstvo. Obrada podataka
Sažetak
The Large Hadron Collider is the largest particle accelerator in the world with the purpose of colliding protons accelerated to nearly the speed of light, resulting in the creation of new and exotic particles. Four detectors surround the collision points and record the data resulting from the proton-proton collisions. This data is then used for a wide range of physical analyses that intend to improve our understanding of particle physics and predict new theories. To increase its discovery potential, the LHC project aims to significantly boost the luminosity in the High Luminosity-Large Hadron Collider phase, which will, in turn, increase the number of collision events. The detector technologies are improved to address the challenges posed by the increased luminosity. However, it has become imperative to optimize the algorithms in the data selection system to effectively manage the presence of multiple interactions in the same bunch crossing (pile-up). This research focuses on using neural networks to select physically important events in real-time in the Compact Muon Solenoid, one of the LHC detectors. Simple multilayer perceptron and convolutional neural networks are developed to successfully distinguish electromagnetic showers from different types of backgrounds using raw detector images. Data selection and quantization methods are proposed to reduce the size of the presented models. Finally, profiling tools enable the determination of the precision settings needed to keep model inference accuracy, which further reduces the memory and computational requirements. The suggested approach was assessed using simulated data since the detector is still in the production phase. The inference time was less than 1 microsecond and signal-background classification achieved a classification accuracy of 97.01% for 2-bit-only quantization. This accuracy is the same as for the full-precision standard network, with a slightly decreased false negative rate. Overall, the research output presented within the thesis confirms the successful implementation of developed models in the targeted device while meeting the latency requirement, which makes them candidates for one of the level 1 trigger algorithms.
Sažetak (engleski)
Veliki Hadronski Sudarač (engl. Large Hadron Collider, LHC) je najveći akcelerator čestica na svijetu. U njemu se sudaraju protoni, ubrzani skoro do brzine svjetlosti, što rezultira stvaranjem novih i egzotičnih čestica. Četiri detektora okružuju točke sudara i bilježe dobivene podatke iz proton-proton sudara. Ti se podaci zatim koriste za širok raspon fizikalnih analiza s ciljem poboljšanja našeg razumijevanja i predviđanja različitih teorija fizike čestica. Kako bi se povećala mogućnost otkrića, LHC projekt planira značajno povećati luminozitet u HL-LHC (engl. High Level LHC), što će rezultirati povećanjem broja sudara. Kako bi bilo moguće pratiti izazove koje predstavlja povećanje luminoziteta, trebalo je poboljšati tehnologije koje se koriste unutar detektora. Međutim, to ipak nije dovoljno, pa je imperativ postala optimizacija algoritama u sustavu odabira podataka kako bi se učinkovito upravljalo prisutnošću višestrukih interakcija u istom skupu sudara (pile-up). Ovo istraživanje usmjereno je na korištenje neuronskih mreža u odabiru fizički važnih događaja u stvarnom vremenu u Kompaktnom Muonskom Solenoidu, jednom od LHC detektora. Razvijene su jednostavne višeslojne perceptronske i konvolucijske neuronske mreže koje uspješno razlikuju elektromagnetske pljuskove od različitih vrsta pozadine koristeći neobrađene slike detektora. Predložene su metode odabira podataka i kvantizacije koje smanjuju veličinu predstavljenih modela. Konačno, alati za profiliranje omogućuju utvrđivanje postavki preciznosti potrebnih za održavanje točnosti zaključivanja modela, što dodatno smanjuje memorijske i računalne zahtjeve. Predloženi pristupi ispitani su korištenjem simuliranih podataka budući da je detektor još uvijek u fazi izrade. Vrijeme zaključivanja bilo je manje od 1 mikrosekunde te je kod klasifikacije signala i pozadine postignuta točnost od 97,01% pri kvantizaciji modela i podataka na samo 2 bita. Ova točnost je ista kao i za standardnu mrežu pune preciznosti, međutim s blagim padom stope lažno negativnih rezultata. Sveukupno, rezultati istraživanja predstavljeni u okviru teze potvrđuju uspješnu implementaciju razvijenih modela u ciljani uređaj uz ispunjavanje zahtjeva latencije, što ih čini kandidatima za jedan od algoritama okidanja razine 1.
Ključne riječi
Ključne riječi (engleski)
Jezikengleski
URN:NBNurn:nbn:hr:179:060086
Datum promocije2024
Studijski programNaziv: Elektrotehnika i informacijska tehnologija
Vrsta studija: sveučilišni
Stupanj studija: poslijediplomski doktorski
Akademski / stručni naziv: doktor/doktorica znanosti, područje tehničkih znanosti, polje elektrotehnika (dr. sc.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2024-10-17 12:54:46