پديد آورنده :
جلال وندي، مهتاب
عنوان :
تخمين توزيع پايل‌آپ با استفاده از شبكه هاي عصبي گرافي در آزمايش CMS در برخورد دهنده بزرگ هادروني
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
ذرات بنيادي و نظريه ميدان ها
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
ﺷﺎﻧﺰﺩﻩ، 161ص. : مرور، جدول، نمودار
توصيفگر ها :
گراف , پايل آپ , درخشندگي , سطح مقطع , برخورد , شبكه هاي عصبي گرافي , توزيع پواسون
تاريخ ورود اطلاعات :
1403/07/03
تاريخ ويرايش اطلاعات :
1403/07/04
چكيده فارسي :
آزمايش CMS در برخورددهنده‌ي بزرگ هادروني با افزايش سطح درخشندگي در به‌روزرساني‌هاي LHC، با چالش‌هاي زيادي در زمينه‌ي شبيه‌سازي و تحليل برخوردهاي همزمان پروتون-پروتون (پايل‌آپ) مواجه هستند. اين پايان نامه رويكردي نوين براي تخمين پايل‌آپ را ارائه مي‌دهد كه از توان شبكه‌هاي عصبي گرافي استفاده مي‌كند. همانطور كه در كاربردهاي اخير براي بازسازي ذرات و كاهش پايل‌آپ نشان داده شده است، شبكه‌هاي عصبي گرافي به عنوان ابزاري قدرتمند براي نمايش داده‌هاي
پيچيده‌ي رويدادها ظهور كرده‌اند. ما روشي مبتني بر شبكه‌هاي عصبي گرافي را براي تخمين تعداد برهم‌كنش‌هاي پايل‌آپ در هر رويداد پيشنهاد مي‌كنيم. نتايج اوليه اميدواركننده هستند و نشان مي‌دهند كه اين روش را مي‌توان براي بررسي پاسخ خطي لومينومترها، گامي كليدي براي اندازه‌گيري مستقل درخشندگي، به كار برد. اين پژوهش، پتانسيل متحول‌كننده‌ي شبكه‌هاي عصبي گرافي را براي تخمين پايل‌آپ و اندازه‌گيري درخشندگي در آزمايش‌هاي فيزيك انرژي بالا بررسي مي‌كند. انتظار مي‌رود اين روش به عنوان يك ابزار ارزشمند به تكنيك‌هاي موجود اضافه شود و به پيشرفت‌هاي اين حوزه كمك كند
چكيده انگليسي :
High-energy physics experiments, like the CMS experiment at the Large Hadron Collider (LHC), face growing challenges in simulating and analyzing the pile-up of simultaneous proton-proton collisions as luminosity levels increase with LHC upgrades. This paper presents a novel approach for pile-up estimation that leverages the power of Graph Neural Networks (GNNs). GNNs have emerged as a powerful tool for representing complex event data, as shown in recent applications for particle reconstruction and pile-up mitigation. We propose a GNN-based method to estimate the number of pile-up interactions within each event. Preliminary results are promising, indicating that the method can be used to study the linearity response of the luminometers, a critical step for independent luminosity measurement. This research explores the transformative potential of GNNs for pile-up estimation and luminosity measurement in high-energy physics experiments. We expect this method to become a valuable addition to existing techniques, contributing to advancements in the field.
استاد راهنما :
حامد بخشيان
استاد مشاور :
صديقه سجاديان
استاد داور :
عبيده جعفري , سروش شاكري
