Βαθμονόμηση Πιδάκων Αδρονίων

Νιφόρος, Γεράσιμος; Niforos, Gerasimos

dc.contributor.author	Νιφόρος, Γεράσιμος	el
dc.contributor.author	Niforos, Gerasimos	en
dc.date.accessioned	2024-01-24T13:10:58Z
dc.date.available	2024-01-24T13:10:58Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58656
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26352
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πίδακες	el
dc.subject	Αδρόνια	el
dc.subject	Στοιχειώδη σωματίδια	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθμονόμηση	el
dc.subject	Jets	en
dc.subject	Hadrons	en
dc.subject	Machine learning	en
dc.subject	Elementary particles	en
dc.subject	Calibration	en
dc.title	Βαθμονόμηση Πιδάκων Αδρονίων	el
dc.title	Hadron Jet Calibration	en
heal.type	bachelorThesis
heal.secondaryTitle	Βαθμονόμηση αδρονικών πιδάκων στο πείραμα CMS	el
heal.classification	High Energy Physics	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-06-01
heal.abstract	Η παρούσα διπλωματική εργασία έχει σκοπό την μελέτη αλγορίθμων μηχανικής μάθησης παλινδρόμησης υπό επίβλεψη και τις εφαρμογές τους στον τομέα της φυσικής στοιχειωδών σωματιδίων, τον τομέα που ρωτά ίσως την πιο σημαντική ερώτηση για την επιστήμη, "Από τί είναι η ύλη φτιαγμένη;". Συγκεκριμένα, στοχεύουμε στην αναζήτηση της δυνατότητας χρήσης των αλγορίθμων μηχανικής μάθησης στη βαθμονόμηση μέτρησης της εγκάρσιας ορμής πιδάκων αδρονίων, όπως αυτοί παράγονται και μετρούνται στο πείραμα CMS (Compact Muon Solenoid), στον Μεγάλο Επιταχυντή Αδρονίων (LHC) στη Γενεύη. Οι αλγόριθμοι που μελετήθηκαν στην συγκεκριμένη εργασία είναι τα ενισχυμένα δέντρα απόφασης (BDTs), τα τεχνητά νευρωνικά δίκτυα (ANNs) και τα νευρωνικά δίκτυα βαθιάς εκμάθησης (DNNs). Τα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευση αλλά και τον έλεγχο των αλγορίθμων προέρχονται από εξομοιώσεις Monte Carlo της σύγκρουσης πρωτονίου-πρωτονίου. Η ανάλυση έγινε από θεωρητική και πρακτική σκοπιά, πρώτα παρουσιάζοντας τη φύση του προβλήματος, μετά την θεωρία πίσω από τους αλγορίθμους που χρησιμοποιήθηκαν, ύστερα παρουσιάζεται ο κλασικός τρόπος διόρθωσης, κάποια πρώτα αποτελέσματα και, κλείνοντας, μία τελικά διερεύνηση των αποτελεσμάτων. Τα δεδομένα που αξιοποιήθηκαν καθώς και τα μοντέλα παλινδρόμησης έγιναν σε C++ , με τη χρήση των λογισμικών ROOT και TMVA.	el
heal.abstract	The subject of this thesis is the study of supervised machine learning regression algorithms and their applications on the field of elementary particle physics, the field that asks probably the most significant question on science, "What is matter made of?". In particular, we aim to explore the possibilities of using machine learning algorithms on calibrating hadron jets' transverse momentum measurements, like the ones produced and measured on the CMS (Compact Muon Solenoid) experiment at the Large Hadron Collider in Geneva. The algorithms studied on this thesis are Boosted Decision Trees, Artificial Neural Networks and Deep Neural Networks. The data used to both train and test the algorithms came from Monte Carlo simulations of proton-proton collisions. The analysis was made both theoretically and practically, first presenting the nature of the problem addressed, then presenting the theory behind the algorithms used, after that presenting the classical correction method, some first results and, as a conclusion, a final exploration of these results. The data used and the regression models were all created on C++ with the ROOT and TMVA software.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος	el
heal.advisorName	Kousouris, Konstantinos	en
heal.committeeMemberName	Τσιπολίτης, Γεώργιος	el
heal.committeeMemberName	Tsipolitis, Georgios	en
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Kousouris, Konstantinos	en
heal.committeeMemberName	Καραποστόλη, Γεωργία	el
heal.committeeMemberName	Karapostoli, Georgia	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false