Jet energy corrections with deep learning

Büyük Hadron Çarpıştırıcısı (LHC), yüksek enerji fiziği alanında kullanılan en güçlü parçacık çarpıştırıcısıdır. LHC deneylerinin merkezinde, proton proton etkileşimlerinden kaynaklanan parçacık ışınını kaydetmek için tasarlanmış bir dedektör olan CMS dedektörü bulunmaktadır. Proton çarpışmalarından ortaya çıkan parçacıklar, Monte Carlo simülasyonları aracılığıyla jet ismiyle bilinen objeleri oluşturmak üzere yeniden yapılandırılır ve kümelenir. Jetler, doğada serbest halde bulunamayan parçacıklar olan quark ve gluonların deneysel göstergeleridir. Yüksek enerji süreçlerinin yapılandırılması, parçacık etkileşimlerinin tanımlanması ve Standart Model ötesi fizik arayışları gibi araştırmalar jet çalışmalarına dayanır. Dedektör tepkisi ve bazı ek faktörler nedeniyle jetlerin ölçülen enerjilerinin simülasyondan elde edilen "gerçek" değerlere göre kalibre edilmesi gerekir. Bu nedenle CMS deneyinde jet enerjilerinin gerçek enerjilerine yaklaştırılması için bir seri jet enerji düzeltmesi uygulanmakta. Bu tezde, standart jet düzeltmelerini daha da geliştirmek için derin öğrenme yaklaşımı kullanıldı. Son yıllarda makine öğrenme algoritmalarının dahil edilmesinin, yüksek enerji fiziği çalışmalarında güzel sonuçlar verdiği görülmekte. Yakın zamanda derin öğrenme yöntemlerindeki gelişmelerden, jet etiketleme ve yeniden yapılandırma gibi görevler de payını almış olmakta. Bir regresyon problemi olan jet enerjisi düzeltme işlemi için iki model kullandık: Derin Set tabanlı Parçacık Akış Ağı ve daha basit, tam bağlantılı bir derin sinir ağı. Düzeltmelerin sonuçları temel olarak performansın kapsamlı bir şekilde anlaşılmasına olanak tanıyan iki ölçümle sunuldu: ortalama enerji tepkisi ve relatif jet enerjisi çözünürlüğü. Modellerin her iki ölçümde de standart enerji düzeltmelerini büyük ölçüde aştığı gözlemlendi.