Statistické zpracování simulovaných dat v částicové fyzice

Abstract

Simulace elementárních částic hrají klíčovou roli při objevování nových zákonů fyziky, proto je kladen velký důraz na jejich přesnost. Standardním přístupem pro získání simulací je použití algoritmů na principu Monte Carlo (MC). MC simulace mají často podobu vážených souborů dat, což znemožňuje použití obvyklých testů homogenity pro kontrolu jejich shody s reálnými měřeními. Cílem práce bylo pomocí numerických simulací ověřit funkčnost dříve navržených modifikací testů homogenity, stejně tak jako ověření fungování nového přístupu k testování vážených dat využívajícího jádrových odhadů. Druhá část práce se soustředí na použití generativních kompetitivních sítí pro rychlé simulace kalorimetru, navíc byla implementována metoda pro validaci takto získaných simulací.

Simulations of elementary particles play a key role in the attempts to discover new laws of physics, which is why high precision is expected of them. The common approach to generating simulations is the use of the Monte Carlo-based algorithms (MC). However, MC simulations are usually in the form of a weighted dataset making it impossible to use standard homogeneity tests to veriťy an agreement between simulations and real measurements. The goal of this thesis is to assemble information about possible approaches to testing homogeneity of weighted data samples, propose a new approach using kernel density estimates, and use numerical simulations to verify the applicability of both the newly proposed and previous methods of weighted homogeneity testing. This thesis also briefly discusses the use of generative adversarial networks for HEP simulations. Additionally, a general method of GAN validation was applied to a speciric use case of HEP simulations.