20.500.12556/RUL-139855 Uporaba strojnega učenja za simulacijo porazdelitev opazljivk na Velikem hadronskem trkalniku Using Machine Learning to Simulate Distributions of Observables at the Large Hadron Collider Izziv, 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. The challenge facing experimental particle physics is the never-ending increase in data coming from detector measurements and from Monte Carlo simulations. As a result, machine learning is becoming a standard tool for solving a variety of tasks found in this field of science. This work explores the use of generative models for increasing the final stage statistics of standard simulations by generating synthetic data that follow the same kinematic distributions. We show the use of two types of generative algorithms, variational autoencoders and normalizing flows, which are capable of fast generation of an arbitrary number of new events. As an example of Monte Carlo simulated data we use a theoretical Higgs boson production beyond the Standard Model. In this work we investigate the applicability of different types of the two methods with different model parameters and numbers of initial events used in training. The resulting event distributions are compared with original Monte Carlo distributions using statistical tests, to evaluate their similarity and quality of reproduction. fizika osnovnih delcev LHC Monte Carlo simulacije strojno učenje generativno modeliranje variacijski avtoenkoderji normalizacijski tokovi particle physics LHC Monte Carlo simulations machine learning generative modeling variational autoencoders normalizing flows true false false Slovenski jezik Angleški jezik Magistrsko delo/naloga 2022-09-08 08:15:01 2022-09-08 08:15:06 2022-09-16 04:12:17 0000-00-00 00:00:00 2022 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 125614 120561923 5300.pdf 5300.pdf 1 DEF238FE22E172DEA39FEBDF5368121D 28ba5baf9affd39b8bd4e8992199bad0b29614ba021621c21fc3eaeb671eab3d 8823ce98-2f3d-11ed-92af-00155dcfd717 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=160491 Fakulteta za matematiko in fiziko 0 0 0