Strojové učení pro jetovou fyziku

Abstract

Moderní metody strojového učení značným způsobem ovlivnily obor počítačového vidění, jehož cílem je naučit stroje chápat informaci proudící z vizuálních zdrojů (obrázky, videa atd.). Ukazuje se, že tyto metodiky nacházejí své využití i ve fyzice částic, když budeme chápat detektor jako vysokorychlostní 2D/3D kameru. Předešlý výzkum týkající se aplikací metod strojového učení na jetovou fyziku řešil především otázku tzv. tagování jetů, který se dal chápat v kontextu klasifikace. Logickou evolucí této metody jsou algoritmy pro detekci objektů nebo segmentaci instancí. Tato bakalářská práce se zaměřuje na jeden z těchto algoritmů, Mask R-CNN, s jehož pomocí se provádí detekce jetů ve srážce pomocí jediného vstupního obrázku reprezentujícího rovinu detektoru v azimutálních (𝜑) a pseodorapiditních (η) souřadnicích . Získané výsledky jsou následně porovnány s klasickým klastrováním částic založeném na jetovém rekonstrukčním algoritmu anti-kt.

Modern methods of machine learning have revolutionized the field of Computer Vision, where the main goal is to learn the machine to understand information coming from visual sources (images, video, etc.). It has been shown that those methods can be applied in High Energy Physics as well, if we understand a detector as a high speed 2D/3D camera. Previous research in machine learning applied to jet physics was mainly dealing with a task of jet tagging, which could be understood in the context of a classification task. The logical evolution of those methods are algorithms for object detection and instance segmentation. This bachelor thesis deals with applications of one of such algorithms, Mask R-CNN, which classifies jets in a collision from a single input image, representing a plane of the detector in azimuthal (𝜑) and pseudorapidity (η) coordinates. Obtained results are compared with common jet clustering approach based on the anti-kt algorithm.