Aplikace metod strojového učení pro identifikaci rozpadu protonu v detektoru s kapalným argonem
Application of machine learning methods for the identification of proton decay in liquid argon detector
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Anna Guľa Gartman
Vedoucí práce
Franc Jiří
Oponent práce
Jarůšková Kristina
Studijní program
Aplikované matematicko-stochastické metodyInstituce přidělující hodnost
katedra matematikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
Pozorování rozpadu protonu by mohlo naznačovat platnost teorií velkého sjednocení (GUTs). Navzdory desetiletím experimentálního úsilí, žádné známky rozpadu protonu nebyly pozorovány. Nicméně aktualizované limity životnosti protonu pomohly vyloučit některé modely velkého sjednocení a omezit jiné. Pro další výzkum jsou zapotřebí nové podzemní detektory s delší dobou expozice, zlepšenou citlivostí na určité kanály rozpadu protonu a silnějším potlačením pozadí. Jedním z předních projektů v této oblasti je Deep Underground Neutrino Experiment (DUNE), mezinárodní vědecká kolaborace a budoucí neutrinová observatoř. Vzdálený detektor s kapalným argonem (DUNE LArTPC far detector) poslouží k detekci rozpadu protonu. V posledních letech se strojové učení stalo cenným nástrojem ve různých fázích výzkumu ve fyzice vysokých energií. Zejména hluboké neuronové sítě mají významný potenciál pro zlepšení citlivosti detekce. GUTs předpovídají několik kanálů rozpadu protonu, přičemž dominují $p \rightarrow e^+ \pi^0$ a $p \rightarrow K^+ \Bar{\nu}$. V této práci se zaměřujeme na druhý zmíněný. Využíváme dvou architektur konvolučních neuronových sítí a přístupu transfer learning pro klasifikaci simulovaných vzorků rozpadu protonu a pozadí tvořeného interakcemi atmosférických neutrin s atomy argonu. Náš late fusion model, kombinující výstupy tří modelů založených na známé architektuře ResNet18 prostřednictvím tzv. gate metody, dosahuje z hlediska ROC a PRC charakteristik vynikajících výsledků. Naopak, naše early fusion architektura používající EfficientNet B2 s prostorovými vstupy z vyčítacích rovin LArTPC poskytuje pouze mírné zlepšení výsledků ve srovnání s modifikovanou ResNet18. The search for proton decay has long been a cornerstone of particle physics, as its observation could offer evidence for the Grand unification theories (GUTs). Despite decades of experimental efforts, no evidence of proton decay has been found. Nevertheless, updated proton lifetime limits have helped to rule out some Grand unification models and constrain others, making the ongoing search highly relevant. To further the search, the new underground detectors with longer exposure time, improved sensitivity to certain proton decay channels, and stronger background suppression are needed. One of the leading projects in the field is the Deep Underground Neutrino Experiment (DUNE), an international scientific collaboration and a future neutrino observatory. The DUNE’s LArTPC far detector will facilitate the search. In recent years, machine learning has emerged as a valuable tool at different stages of high-energy particle physics research. Deep neural networks, in particular, possess significant potential to improve detection sensitivity. Several proton decay channels are predicted by GUTs with $p \rightarrow e^+ \pi^0$ and $p \rightarrow K^+ \Bar{\nu}$ being dominant. In this work, we focus on the latter. We employ two ensemble convolutional neural network models with a transfer learning approach to distinguish between the simulated proton decay and background interactions of atmospheric neutrinos on argon. Our late fusion model, combining the three modified ResNet18 model outputs through a gating mechanism, demonstrates excellent performance in terms of the ROC AUC and the PRC AUC. Conversely, our early fusion model using EfficientNet B2 with spatial inputs from (LArTPC) readout planes only slightly improves the modified ResNet18 model performance.
Kolekce
- Bakalářské práce - 14101 [278]