In English

Rekonstruktion från detektordata med hjälp av neurala nätverk

Jacob Olander ; Miriam Skarin ; Pontus Svensson ; Jakob Wadman
Göteborg : Chalmers tekniska högskola, 2018. 55 s.
[Examensarbete för kandidatexamen]

Denna rapport demonstrerar hur artificiella neurala nätverk utifrån data från partikeldetektorer kan rekonstruera relevanta egenskaper hos partiklar skapade vid kärnfysikexperiment. Enkla fall undersöks där energin hos en -partikel ska bestämmas, men även mer komplexa fall där både energin och emissionsriktningen hos flera partiklar ska rekonstrueras. Arbetsprocessen har till stor del varit iterativ, där mycket fokus lagts på att optimera kostnadsfunktionen. Rekonstruktionen kan utföras för både en och flera partiklar och är inte begränsad till att behandla en partikelegenskap åt gången. Slutsatsen av undersökningen är att artificiella neurala nätverk kan användas för att rekonstruera partikelegenskaper, men att de metoder som utvecklats i detta arbete, ännu inte är bättre än befintliga rekonstruktionsmetoder grundade i fysik. Fortsatta studier behövs för att definitivt kunna avgöra om artificiella neurala nätverk kan användas för att göra bättre rekonstruktioner än vad som i dagsläget är möjligt.

Nyckelord: neurala nätverk, partikeldetektorer, datarekonstruktion, FAIR, R3B, CALIFA, Crystal Ball, addback



Publikationen registrerades 2019-01-09. Den ändrades senast 2019-01-09

CPL ID: 256450

Detta är en tjänst från Chalmers bibliotek