Raziskovalni projekt (so)financira Javna agencija za raziskovalno dejavnost RS.
Članica UL: Fakulteta za matematiko in fiziko
Šifra projekta: J1-60028
Naziv projekta: Razvoj metod strojnega učenja za natančno določitev procesov ozadja pri iskanju nove fizike na Velikem hadronskem trkalniku (LHC)
Obdobje: 1. 1. 2025 - 31. 12. 2027
Letni obseg: 1,03 FTE, cenovna kategorija: D
Vodja: Borut Paul Kerševan
Veda: Naravoslovje
Vsebinski opis projekta:
Uspeh fizikalnega programa (HL-)LHC je odvisen od sposobnosti eksperimentov na LHC, da obdelajo izjemno kompleksne in obsežne podatke, da pripravijo ustrezne količine simuliranih podatkov ter tako še naprej učinkovito izvajajo zelo natančne meritve in iskanja neznanih procesov. V naslednjih letih, zlasti po nadgradnji LHC v HL-LHC z bistveno večjimi količinami podatkov, se bodo zahteve glede natančnosti meritev bistveno povečale. Moč analize pri iskanju nove fizike, kjer iščemo "signale" nove fizike kot presežek podatkov nad znanimi procesi "ozadja", je kritično odvisna od naše sposobnosti natančnega napovedovanja ozadja tako v smislu celotnega prispevka (izkoristka, normalizacije) kot porazdelitve kinematičnih opazljivk, ki nas zanimajo. Prepoznavanje redkih pojavov v kompleksnih dogodkih trkov z visoko energijo v nadgradnjah LHC tako postopoma postaja izredno težavno in zahteva odličen nadzor sistematičnih negotovosti, kar je mogoče doseči le z visoko zmogljivimi algoritmi za izbiro, zmanjšanjem kontaminacije ozadja ter zelo natančnim napovedovanjem in oceno negotovosti preostalih procesov ozadja. V "hrupnem" okolju (HL-)LHC je to velik izziv. Najsodobnejša metodologija, ki jo je treba uporabiti, temelji na tehnikah strojnega učenja (ML), vendar pa njihov razvoj temelji na komercialnih aplikacijah, zahteve glede tega, kaj je "dovolj dobro", pa so v fiziki delcev precej drugačne. Poleg tega natančna ocena negotovosti, ki je bistvena za uporabo pri meritvah v fiziki delcev, v komercialnih aplikacijah na splošno ni prisotna.
Projekt se bo tako osredotočil na oblikovanje nove generacije znanstvenih računalniških orodij, in fizikalnih pristopov, ki bodo prenovila algoritme, uporabljene v eksperimentalni fiziki delcev visokih energij (HEP), v smeri bolj splošne uporabe strojnega učenja (ML), zlasti globokega učenja (DL), in jih uporabila za natančno določanje ozadja pri fizikalnih analizah v eksperimentu ATLAS na LHC.
