Uporaba metod strojnega učenja za hitro ekstrapolacijo sledi delcev v detektorjih na Velikem hadronskem trkalnikuŠpenko, Krištof (Avtor) Kerševan, Borut Paul (Mentor) Pestotnik, Rok (Komentor) strojno učenjeregresija z Gaussovimi procesiosnovni delciekstrapolacijaregresijamagnetno poljedetektorji delcevrekonstrukcijasledi delcevdipolV obdobju “Run 3” delovanja Velikega hadronskega trkalnika LHC je zajem podatkov za iskanje procesov nove fizike velikanski. Za zadovoljivo natančne meritve je potrebna zelo kompleksna računalniška rekonstrukcija dogodkov trkov v detektorjih, kjer enega največjih izzivov predstavlja rekonstrukcija sledi nabitih delcev. Poleg natančnosti postopkov rekonstrukcije sledi je bistvena tudi hitrost algoritmov, saj le-ta omejuje količino podatkov, ki jo lahko zajamemo. Obetavno nadgradnjo obstoječih postopkov rekonstrukcije sledi, ki temelji na funkcijskih algoritmih, predstavlja uporaba metod strojnega učenja ter implementacija novih metod na najmodernejših računalniških arhitekturah (GPU - grafične kartice). Za razvoj tovrstnih algoritmov je nujno potrebno razumevanje fizikalnega ozadja, od interakcije delcev s snovjo v detektorju do razumevanja same kinematike iskanih fizikalnih procesov, kot jih napoveduje Standardni model in različni modeli nove fizike. Uspeh postopkov in dosegljive izboljšave je potrebno tudi preveriti na obstoječih podatkih, zajetih na LHC. Cilj magistrskega dela je iskanje in razvoj alternativnih ekstrapolatorskih metod za rekonstrukcijo trajektorij nabitih delcev v magnetnem polju. V ta namen predstavimo tri metode, ki temeljijo na funkcionalni napovedi trajektorij, s čimer se izognemo počasni adaptivni numerični integraciji in omogočimo uporabo zasnovanih algoritmov na najnovejših računalniških arhitekturah. Prva metoda, t.i. parametrizirani ekstrapolator temelji na perturbativnem razvoju popravkov okoli idealnih trajektorij, ki izvirajo točno iz izhodišča. Druga metoda SVD je več-dimenzionalni funkcionalni nastavek, kjer prilagajanje prostih parametrov temelji na zelo osnovnem pristopu učenja na velikem učnem naboru trajektorij preko minimizacije χ^2. Kot zadnjo metodo predstavimo pravo metodo strojnega učenja metodo GPR, pri kateri na podlagi majhnega nabora učnih trajektorij modeliramo korelacije med meritvami in preko njih opišemo verjetnostno porazdelitev napovedi. Na koncu magistrske naloge vse tri metode testiramo in preverimo, da so njihovi izračuni napovedi dovolj natančni za zanesljivo rekonstrukcijo sledi delcev.20222022-09-14 08:15:07Magistrsko delo/naloga140306VisID: 127029sl