Track reconstruction for future high-energy-physics experiments with classical and machine-learning methods

Dokumentenart:	Hochschulschrift der Universität Regensburg (Dissertation)
Open Access Art:	Primärpublikation
Datum:	1 März 2024
Begutachter (Erstgutachter):	Prof. Dr. Tilo Wettig und Dr. Andreas Salzburger und Prof. Dr. Jaroslav Fabian und Prof. Dr. Dominique Bougeard
Tag der Prüfung:	9 Februar 2024
Institutionen:	Physik > Institut für Theoretische Physik > Lehrstuhl Professor Braun > Arbeitsgruppe Tilo Wettig
Stichwörter / Keywords:	High energy physics, collider experiments, machine learning, track reconstruction
Dewey-Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke > 004 Informatik 500 Naturwissenschaften und Mathematik > 530 Physik
Status:	Veröffentlicht
Begutachtet:	Ja, diese Version wurde begutachtet
An der Universität Regensburg entstanden:	Ja
Dokumenten-ID:	55604

Zusammenfassung (Englisch)

High-energy particle collision experiments are one of the most effective tools to test and challenge the theories about elementary particles and their interactions, known as the standard model. The reconstruction of the remnant particles after the collision is essential for all further physics analyses. This task gets increasingly more complicated with an increasing number of simultaneous ...

Zusammenfassung (Englisch)

High-energy particle collision experiments are one of the most effective tools to test and challenge the theories about elementary particles and their interactions, known as the standard model. The reconstruction of the remnant particles after the collision is essential for all further physics analyses. This task gets increasingly more complicated with an increasing number of simultaneous collision events. However, this is planned, e.g., with the upcoming high-luminosity upgrade of the Large Hadron Collider (HL-LHC). With the HL-LHC, the experiments can collect significantly more data, allowing known mechanisms to be studied in greater detail and possibly rare, yet unknown phenomena to be discovered. On the other hand, the HL-LHC imposes major challenges to the reconstruction software.

This work is dedicated to improving track reconstruction software for the described conditions in the context of ACTS, an open-source, experiment-independent track reconstruction toolkit. One major part of this work is R&D effort towards new machine-learning-based approaches for the track reconstruction problem, hereby focussing on Graph Neural Networks (GNNs). The second part is the implementation and optimization of an advanced reconstruction algorithm for electrons within ACTS, the Gaussian Sum Filter (GSF).

Übersetzung der Zusammenfassung (Deutsch)

Kollisionsexperimente mit hochenergetischen Teilchen sind mit die besten Werkzeuge, um die Theorien über Elementarteilchen und deren Wechselwirkungen (das Standardmodell der Teilchenphysik) zu erforschen und herauszufordern. Die Rekonstruktion der Teilchen, die nach den Kollisionen zurückbleiben, ist der Schlüssel für jede anschließende physikalische Analyse. Diese Aufgabe wird mit einer erhöhten ...

Übersetzung der Zusammenfassung (Deutsch)

Kollisionsexperimente mit hochenergetischen Teilchen sind mit die besten Werkzeuge, um die Theorien über Elementarteilchen und deren Wechselwirkungen (das Standardmodell der Teilchenphysik) zu erforschen und herauszufordern. Die Rekonstruktion der Teilchen, die nach den Kollisionen zurückbleiben, ist der Schlüssel für jede anschließende physikalische Analyse. Diese Aufgabe wird mit einer erhöhten Anzahl gleichzeitiger Kollisionen deutlich komplizierter. Das ist jedoch ist beispielsweise in der geplanten Erweiterung des Large Hadron Colliders für höhere Luminositäten (HL-LHC) geplant. Mit dem HL-LHC werden die Experimente deutlich mehr Daten sammeln können, und damit bekannte Mechanismen in größerem Detailgrad studieren können, sowie möglicherweise seltene, bisher unbekannte Phänomene entdecken können. Auf der anderen Seite ist das HL-LHC eine große Herausforderung für die Rekonstruktionssoftware.

Die vorliegende Arbeit ist der Verbesserung der Rekonstruktionssoftware im Kontext von ACTS gewidmet, einem quelloffenem, experimentunabhängigem Baukasten für Teilchenrekonstruktion. Ein großer Teil davon ist die Erforschung und Entwicklung von neuen Ansätzen mit Methoden des maschinellen Lernens, insbesondere mit sogenannten Graph Neural Networks (GNNs). Der zweite, größere Teil der Arbeit besteht in der Implementierung und Optimierung eines speziellen Rekonstruktionsalgorithmuses für Elektronen in ACTS, den Gaussian Sum Filter (GSF).

Track reconstruction for future high-energy-physics experiments with classical and machine-learning methods

Details

Vorschau

Bibliographische Daten exportieren

Zusammenfassung (Englisch)

Zusammenfassung (Englisch)

Übersetzung der Zusammenfassung (Deutsch)

Übersetzung der Zusammenfassung (Deutsch)

Downloadstatistik

Downloads

Weitere Literatur (mittels CORE)