Uporaba strojnega učenja za simulacijo porazdelitev opazljivk na Velikem hadronskem trkalnikuGavranovič, Jan (Avtor) Kerševan, Borut Paul (Mentor) fizika osnovnih delcevLHCMonte Carlo simulacijestrojno učenjegenerativno modeliranjevariacijski avtoenkoderjinormalizacijski tokoviIzziv, s katerim se soočajo eksperimenti v fiziki osnovnih delcev, so vse večje količine podatkov, tako iz detektorskih meritev, kot iz Monte Carlo simulacij. Zaradi tega postaja strojno učenje standardno orodje za reševanje različnih nalog na tem področju. To magistrsko delo razišče uporabo generativnih modelov, s katerimi lahko povečamo končno statistiko standardnih simulacij z ustvarjanjem sintetičnih podatkov, ki sledijo pravilnim kinematičnim porazdelitvam. V delu pokažemo uporabo dveh vrst generativnih algoritmov, variacijskih avtoenkoderjev in normalizacijskih tokov, ki so sposobni hitre generacije poljubnega števila novih dogodkov in korelacij med njimi. Kot primer simuliranih Monte Carlo podatkov uporabimo razpad teoretičnega Higgsovega bozona izven Standardnega modela. To magistrsko delo razišče uporabnost različnih tipov obeh vrst algoritmov pri različnih modelskih parametrih in številu začetnih dogodkov uporabljenih pri učenju. Tako dobljene porazdelitve dogodkov na koncu primerjamo z Monte Carlo porazdelitvami s pomočjo statističnih testov, kar nam poda oceno za njihovo medsebojno podobnost in kvaliteto reprodukcije.20222022-09-08 08:15:01Magistrsko delo/naloga139855VisID: 125614COBISS_ID: 120561923sl