Detailansicht
Machine learning applications for new physics searches at CERN's Large Hadron Collider
Kinga Anna Wozniak
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Dr.-Studium der technischen Wissenschaften (DissG: Informatik)
Betreuer*in
Torsten Möller
DOI
10.25365/thesis.74519
URN
urn:nbn:at:at-ubw:1-27114.56262.157097-3
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Eine der grundlegenden Missionen des von der Europäischen Organisation für Kernforschung betriebenen Large Hadron Colliders ist die Suche nach bisher unbeobachteten Phänomenen in der Hochenergie-Teilchenphysik. Die Beobachtung von neuen Teilchen könnte fehlende Teile unseres heutigen Verständnisses vom Universum jenseits des Standard Modells der Teilchenphysik zutage fördern. Machine Learning hat das Potenzial, diese Suche zu unterstützen, zu verbessern und voranzutreiben. Deshalb werden in dieser Dissertation fortgeschrittene Machine Learning und Deep Learning Algorithmen an mehreren Fronten entwickelt, um die bestehende Suche nach neuen physikalischen Phänomenen auf modell-unabhängige Weise zu erweitern und die Sensitivität gegenüber potenziellen Teilchen zu erhöhen, für die noch keine Theorie erdacht wurde. Zu diesem Zweck wird eine komplette Anomalie-Erkennungs-Pipeline entworfen, entwickelt und auf mehreren Benchmarks jenseits des Standard Modells getestet. Vollständige Modellunabhängigkeit wird erreicht, indem zwei nicht überwachte Machine Learning Modelle nebeneinander gestellt werden: ein Variational Autoencoder und eine Quantile Regression, die zusammen einen Anomalie-Score generieren, der die Erkennungs-Sensitivität für neue Physik erhöht. Darüber hinaus werden Anwendungen im Bereich des Quantum Machine Learning zur Lösung von Suchen jenseits des Standard Modells untersucht. Zu diesem Zweck wird ein klassisches Autoencoder-Modell entwickelt, das die Daten-Dimensionalität für Noisy Intermediate-Scale Quantum Umgebungen reduziert. Darauf aufbauend wird ein modell-unabhängiger, unbeaufsichtigter Quanten-Clustering-Algorithmus erarbeitet, der einen Anomalie-Score liefert, welcher zur Verbesserung der Sensitivität gegenüber neuer Physik wie im klassischen Fall genutzt werden kann. Die Ergebnisse beider Studien belegen, dass Machine Learning und Deep Learning in der klassischen Welt und der Quantenwelt ein großes Potenzial haben, das Streben nach Erweiterung unseres Wissens über das Standard Modell der Teilchenphysik hinaus zu fördern. Daher wurde die entwickelte Pipeline zur Erkennung von Anomalien als Analyse-Strategie für die Suche jenseits des Standard Modells am CMS-Experiment des Large Hadron Collider übernommen.
Abstract
(Englisch)
One of the main missions of the Large Hadron Collider, operated by the European Organization for Nuclear Research, is to search for previously unobserved phenomena in high energy physics. The observation of new elementary particles could convey missing pieces of today’s understanding of the universe, beyond the Standard Model of particle physics. Machine learning has the potential to assist, improve and foster this quest. Therefore, in this dissertation, sophisticated machine learning and deep learning algorithms are developed on multiple fronts to extend the existing searches for new physics phenomena in a model-agnostic way, increasing sensitivity to potential particles for which no theory has been developed yet. For this purpose, a complete anomaly detection pipeline is designed, developed and tested on several beyond the standard model benchmarks. Full model-independence is achieved by putting two unsupervised machine learning models in juxtaposition: a variational autoencoder and a quantile regression that together generate an anomaly score which boosts the sensitivity of discovery. Additionally, applications in quantum machine learning for the solution of beyond the standard model searches are explored. For this purpose a classic autoencoder model is designed and developed that reduces data-dimensionality for noisy intermediate-scale quantum environments. Then, a model-independent unsupervised quantum clustering machine learning algorithm is designed and developed which yields an anomaly score that can be exploited for enhancing sensitivity to new physics as in the classic case. The results of both studies prove that machine learning and deep learning in the classic and quantum worlds have great potential to enhance the quest towards extending our knowledge beyond the standard model of particle physics. Therefore, the developed anomaly detection pipeline has been endorsed as an analysis strategy for beyond the standard model searches for the Compact Muon Solenoid experiment at the Large Hadron Collider.
Schlagwörter
Schlagwörter
(Deutsch)
machine learning physik
Schlagwörter
(Englisch)
machine learning new physics anomaly detection quantum computing variational autoencoder CERN LHC
Autor*innen
Kinga Anna Wozniak
Haupttitel (Englisch)
Machine learning applications for new physics searches at CERN's Large Hadron Collider
Paralleltitel (Deutsch)
Machine Learning Applikationen für die Suche nach neuer Physik an CERN's Large Hadron Collider
Publikationsjahr
2023
Umfangsangabe
175 Seiten
Sprache
Englisch
Beurteiler*innen
Sebastian Tschiatschek ,
Maurizio Pierini
Klassifikationen
33 Physik > 33.56 Elementarteilchenphysik ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16973769
Utheses ID
67881
Studienkennzahl
UA | 786 | 880 | |