prikaz prve stranice dokumenta Potraga za novim česticama pomoću tehnika strojnog učenja
  Preuzmi
PDF 3.21 MB
diplomski rad
Potraga za novim česticama pomoću tehnika strojnog učenja
Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2021. urn:nbn:hr:217:601043
Hadži Veljković, Tin
Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
Fizički odsjek

Institucijski repozitorij: Repozitorij Prirodoslovno-matematičkog fakulteta

Citirajte ovaj rad

Hadži Veljković, T. (2021). Potraga za novim česticama pomoću tehnika strojnog učenja (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:217:601043

Hadži Veljković, Tin. "Potraga za novim česticama pomoću tehnika strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:217:601043

Hadži Veljković, Tin. "Potraga za novim česticama pomoću tehnika strojnog učenja." Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, 2021. https://urn.nsk.hr/urn:nbn:hr:217:601043

Hadži Veljković, T. (2021). 'Potraga za novim česticama pomoću tehnika strojnog učenja', Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, citirano: 22.11.2024., https://urn.nsk.hr/urn:nbn:hr:217:601043

Hadži Veljković T. Potraga za novim česticama pomoću tehnika strojnog učenja [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet; 2021 [pristupljeno 22.11.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:601043

T. Hadži Veljković, "Potraga za novim česticama pomoću tehnika strojnog učenja", Diplomski rad, Sveučilište u Zagrebu, Prirodoslovno-matematički fakultet, Zagreb, 2021. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:217:601043

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:217:601043
Podaci o radu
NaslovPotraga za novim česticama pomoću tehnika strojnog učenja
Naslov (engleski)The search for new particles with the use of machine learning techniques
AutorTin Hadži Veljković
MentorNikola Poljak (mentor)
Član povjerenstvaNikola Poljak (predsjednik povjerenstva)
Član povjerenstvaDavor Horvatić (član povjerenstva)
Član povjerenstvaMirko Planinić (član povjerenstva)
Član povjerenstvaKrešimir Kumerički (član povjerenstva)
Član povjerenstvaIvica Smolić (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Prirodoslovno-matematički fakultet
(Fizički odsjek)
Zagreb
Datum i država obrane2021-05-27, Hrvatska
Znanstveno / umjetničko
područje, polje i grana		PRIRODNE ZNANOSTI
Fizika
Sažetak
U ovom radu predstavljene su dvije metode za detekciju novih čestica na sudarivačima poput LHC-a. Obje metode se zasnivaju na uporabi neuralnih mreža, točnije autoenkodera i U-Net mreže. Podaci korišteni u ovom radu dani su u sklopu natjecanja LHC Olympics 2020. Dobivena su dva skupa podataka: podaci koji ne sadrže nove čestice, odnosno opisuju pozadinu i podaci koji sadrže pozadinu i nepoznat broj novih čestica. Treniranjem autoenkoderskih modela na podacima koji sadrže samo pozadinu pokušali smo naučiti njene bitne značajke. Nadalje, evaluacijom modela na drugim podacima pokušali smo detektirati nove čestice tražeći događaje sa lošom autoenkoderskom rekonstrukcijom. Ako događaji s novim česticama odstupaju od pozadine, onda se očekuje da će ih autoenkoder gore rekonstruirati. Uporabom U-Net mreže pokušali smo naučiti model da oponaša anti-kT algoritam grupiranja čestica u mlazove te detektirati nove čestice koristeći istu metodologiju kao i za autoenkoderske modele.
Sažetak (engleski)
In this work we will present the use of machine learning techniques for detecting new particles. Two different types of neural networks were used, namely autoencoders and U-Net. The data used was provided as a part of the competition LHC Olympics 2020. We were given two datasets: a dataset containing only background events and a dataset containing an unknown number of new particles along with the background events. Autoencoder models were trained using the first dataset with the goal of learning crucial background information via latent variables. The new particles are considered as anomalies, and therefore we expect the model to poorly reconstruct the data when evaluated on the events containing new particles. The U-Net model was used to learn the anti-kT jet clustering algorithm, and anomaly detection was conducted using the same methodology as for the autoencoders.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:217:601043
Studijski programNaziv: Fizika; smjerovi: istraživački
Smjer: istraživački
Vrsta studija: sveučilišni
Stupanj studija: integrirani preddiplomski i diplomski
Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-06-17 12:08:55