Red neuronal aplicada para la determinación espacial del vértice desplazado proveniente del decaimiento de partículas ultra longevas
MATHUSLA (Massive Timing Hodoscope for Ultra Stable neutraL pArticles) es un detector de partículas elementales que será instalado en los próximos años en el centro europeo para la investigación nuclear (CERN, por sus siglas en francés) sobre la superficie del acelerador de partículas más grande y de mayor energía que existe en el mundo, el gran colisionador de hadrones, cuyo principal objetivo es registrar rastros en coordenadas cartesianas de las desintegraciones hadrónicas y leptónicas de partículas de larga vida en un volumen con dimensiones 100[m]×100[m]×25[m]. Este trabajo propone una red neuronal convolucional autocodificadora que reconoce patrones en un conjunto de datos desordenados pero clasificados según el nivel de impacto. Tales impactos son el resultado de la desintegración de partículas de larga vida en la geometría propuesta por el detector MATHUSLA. Son tres las fases de solución al problema: en la primera se genera un dataset pseudoaleatorio donde ha tomado lugar la desintegración de la partícula de larga vida y se originan las trazas de sus partículas hijas; en la segunda se propone un modelo de red neuronal de reconocimiento de patrones de la nube de rastros del dataset entrenando una muestra de datos de 250 desintegraciones, y obteniendo un aceptable rendimiento de predicción con probabilidad de error del 7.4% según la función de costo; con clustering jerárquico en la última fase, se procede a la reconstrucción de las trazas de las partículas hijas, encontrando la cantidad mínima de rectas que posean un mismo punto en común, el vértice desplazado buscado. El esfuerzo de este trabajo recae sobre la integración de herramientas computacionales de inteligencia artificial en el campo de la física de altas energías. Palabras clave: Física de altas energías, reconstrucción de partículas, aprendizaje automático.
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Thesis biblioteca |
| Language: | Spanish / Castilian |
| Published: |
2021
|
| Subjects: | FÍSICA DE ALTAS ENERGÍAS, MODELOS DE RED NEURONAL, LIBRERÍA KERAS, |
| Online Access: | http://repositorio.umsa.bo/xmlui/handle/123456789/27707 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | MATHUSLA (Massive Timing Hodoscope for Ultra Stable neutraL pArticles) es
un detector de partículas elementales que será instalado en los próximos años en el
centro europeo para la investigación nuclear (CERN, por sus siglas en francés) sobre
la superficie del acelerador de partículas más grande y de mayor energía que existe en
el mundo, el gran colisionador de hadrones, cuyo principal objetivo es registrar rastros
en coordenadas cartesianas de las desintegraciones hadrónicas y leptónicas de
partículas de larga vida en un volumen con dimensiones 100[m]×100[m]×25[m].
Este trabajo propone una red neuronal convolucional autocodificadora que
reconoce patrones en un conjunto de datos desordenados pero clasificados según el
nivel de impacto. Tales impactos son el resultado de la desintegración de partículas de
larga vida en la geometría propuesta por el detector MATHUSLA.
Son tres las fases de solución al problema: en la primera se genera un dataset
pseudoaleatorio donde ha tomado lugar la desintegración de la partícula de larga vida
y se originan las trazas de sus partículas hijas; en la segunda se propone un modelo de
red neuronal de reconocimiento de patrones de la nube de rastros del dataset
entrenando una muestra de datos de 250 desintegraciones, y obteniendo un aceptable
rendimiento de predicción con probabilidad de error del 7.4% según la función de
costo; con clustering jerárquico en la última fase, se procede a la reconstrucción de las
trazas de las partículas hijas, encontrando la cantidad mínima de rectas que posean un
mismo punto en común, el vértice desplazado buscado.
El esfuerzo de este trabajo recae sobre la integración de herramientas
computacionales de inteligencia artificial en el campo de la física de altas energías.
Palabras clave: Física de altas energías, reconstrucción de partículas, aprendizaje
automático. |
|---|