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
Split: Sveučilište u Splitu, Prirodoslovno-matematički fakultet, 2020. urn:nbn:hr:166:806797
Šarić, Toni
Sveučilište u Splitu
Prirodoslovno-matematički fakultet
Odjel za fiziku

Institucijski repozitorij: repozitorij.pmfst.unist.hr

Citirajte ovaj rad

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

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

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

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: 25.12.2024., https://urn.nsk.hr/urn:nbn:hr:166:806797

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 25.12.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:166:806797

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
Podaci o radu
NaslovIdentifikacija 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
AutorToni Šarić
MentorMarko Kovač (mentor)
MentorHrvoje Kalinić (pomoć pri izradi, neposredni voditelj)
Član povjerenstvaMarko Kovač (predsjednik povjerenstva)
Član povjerenstvaHrvoje Kalinić (član povjerenstva)
Član povjerenstvaNikola Godinović (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Splitu
Prirodoslovno-matematički fakultet
(Odjel za fiziku)
Split
Datum i država obrane2020-07-02, 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)
Jezikhrvatski
URN:NBNurn:nbn:hr:166:806797
Studijski programNaziv: 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 resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaOtvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Datum i vrijeme pohrane2021-02-01 11:13:35