Uso de técnicas de Machine Learning en el experimento CMS

Cristina Oropeza-Barrera

doi:10.22201/fesa.figuras.2020.1.3.121

Autores

Cristina Oropeza-Barrera Universidad Iberoamericana, Ciudad de México (MX) https://orcid.org/0000-0001-9724-0016

DOI:

https://doi.org/10.22201/fesa.figuras.2020.1.3.121

Palavras-chave:

Machine Learning, física experimental de partículas, Large Hadron Collider, Compact Muon Solenoid experiment, aprendizaje automatizado

Resumo

La física experimental de partículas se encuentra en una era dorada llena de retos tecnológicos. Para superarlos, las grandes colaboraciones del LHC (Large Hadron Collider) han implementado técnicas de Machine Learning en sus operaciones con resultados impresionantes. En este documento se resumen algunas de las aplicaciones principales del aprendizaje automatizado, en particular de las redes neuronales artificiales, en el experimento CMS (Compact Muon Solenoid). Además, se resalta la importancia del trabajo colaborativo e interdisciplinario para la correcta implementación e interpretación de estas técnicas de análisis. El objetivo del presente trabajo consiste en despertar el interés por estos temas entre los miembros de las comunidades de física de partículas y ciencias de la computación, con el fin de ampliar las posibilidades de trabajos de investigación conjuntos.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Cristina Oropeza-Barrera, Universidad Iberoamericana, Ciudad de México

Profesora e investigadora de la Universidad Iberoamericana, Ciudad de México. Egresada de la licenciatura en Ingeniería Física por la misma casa de estudios, realizó sus estudios de doctorado en física de partículas experimental en la Universidad de Glasgow, en el Reino Unido. Su investigación en partículas elementales se desarrolla dentro del experimento CMS del Gran Colisionador de Hadrones (LHC, por sus siglas en inglés) de Suiza, en donde también realiza actividades de divulgación de la ciencia y la ingeniería, particularmente entre mujeres. Ha sido coordinadora de Física e Ingeniería Física en el Departamento de Física y Matemáticas de la Universidad Iberoamericana Ciudad de México, y actualmente se desempeña como académica y tutora del programa de Ingeniería Transicional de la Universidad Iberoamericana Tijuana.

Referências

ALICE Collaboration, “The ALICE experiment at the CERN LHC,” JINST 3, (2008): S08002.

ATLAS Collaboration, “Observation of a new particle in the search for the Standard Model Higgs boson with the ATLAS detector at the LHC,” Phys. Lett. B 716, (2012): 1.

ATLAS Collaboration, “The ATLAS experiment at the CERN Large Hadron Collider,” JINST 3, (2008): S08003.

Calabria, C., “Monitoring tools for the CMS muon detector: present workows and future automation,” EPJ Web of Conferences (CHEP 2018) 214, (2019): 06001.

Charpak, G. et al., “The use of multiwire proportional counters to select and localize charged particles,” Nucl. Instr. Methods 62, (1968): 262.

CMS Collaboration, “Heavy avor identication at CMS with deep neural networks,” CMS-DP-2017-005, (2017).

CMS Collaboration, “Machine learning-based identication of highly Lorentz-boosted hadronically decaying particles at the CMS experiment,” CMS PAS JME-18-002, (2019).

CMS Collaboration, “Measurements of Higgs boson properties in the diphoton decay channel in proton-proton collisions at ps = 13 TeV,” CMS-HIG-16-040, (2018).

CMS Collaboration, “Observation of a new boson at a mass of 125 GeV with the CMS experiment at the LHC,” Phys. Lett. B 716, (2012): 30.

CMS Collaboration, “The CMS experiment at the CERN LHC,” JINST 3, 2008: S08004.

Deja, K., “Using machine learning techniques for Data Quality Monitoring in CMS and ALICE,” Proceedings of Science (LHCP2019): 236.

Di Florio, A. et al., “Convolutional Neural Network for Track Seed Filtering at the CMS HighLevel Trigger,” J. Phys.: Conf. Ser. 1085, (2018): 042040.

Englert, F. and R. Brout, “Broken symmetry and the mass of gauge vector mesons,” Phys. Rev. Lett. 13, (1964): 321.

Farrell, S. et al., “The HEP.TrkX Project: deep neural networks for HL-LHC online and o_ine tracking,” EPJ Web Conf. 150 (2017): 00003.

Higgs, P. W., “Broken symmetries and the masses of gauge bosons,” Phys. Rev. Lett. 13, (1964): 508.

Higgs, P. W., “Broken symmetries, massless particles and gauge _elds,” Phys. Lett. 12, (1964): 132.

IML, “Who we are. Ginebra, Suiza,” IML: Inter-Experimental LHC Machine Learning Working Group (2018). https://iml.web.cern.ch/ Revisado el 20 de marzo, 2020.

Kaggle Inc., “Higgs challenge,” Kaggle (2018). https://www.kaggle.com/c/higgs-boson Revisado el 20 de marzo, 2020.

LCG Collaboration, “LHC Computing Grid-Technical Design Report,” LCG-TDR-001 (2005).

LHCb Collaboration, “The LHCb detector at the LHC,” JINST 3, (2008): S08005.

SAS Institute Inc., “Machine Learning. What it is and why it matters,” SAS- THE POWER TO KNOW. (2018) https://www.sas.com/...ytics/machine-learning.html Revisado el 20 de marzo, 2020.