Untersuchung von lorentz-Ƥquivarianten Transformern als Matrixelement-Surrogate
Description
The application of Monte Carlo methods for unweighted event generation of proton collisions at the LHC is a necessary step, albeit a very resource-intensive one. Surrogate-based unweighting algorithms using machine learning are required to keep up with the ever-growing influx of data. In this work, a new machine learning architecture called L-GATr is examined using collision data of a š¯‘¯š¯‘¯ → š¯‘¨ + 6 jets process generated by SHERPA. The optimized network structure achieves a mean effective gain factor of š¯‘“eff = 16.8 ± 3.1 (stat) and š¯‘“eff = 25, 4 ± 0, 6 (stat), depending on its implementation. Hence, L-GATr is comparable and even exceeds the current
best surrogate model.
Abstract (German)
Die Verwendung von Monte-Carlo-Methoden für die ungewichtete Ereignisgeneration von Teilchenkollisionen ist ein notwendiger, aber sehr zeitintensiver Bestandteil der angewand- ten Teilchenphysik. Aushilfe verschafft ein surrogatbasierter Ungewichtungsalgorithmus, für den machine-learning zum Einsatz kommt. In dieser Arbeit wird die neue Transformerstruktur L-GATr an von SHERPA generierten Daten eines Beispielprozesses der Prozessgruppe š¯‘¯ š¯‘¯ → š¯‘¨ + 6 jets untersucht und mit dem bisher besten Surrogatansatz verglichen. Dabei erreicht die neue Architektur nach der Optimierung ihrer Hyperparameter einen mittleren effektiven gain-Faktor von š¯‘“eff = 16, 8 ± 3, 1stat beziehungsweise š¯‘“eff = 25, 4 ± 0, 6stat, abhängig von der Vorhersagemethode. Somit ist L-GATr vergleichbar beziehungsweise besser als das bisherige Surrogat eines MLP mit Dipolansatz.
Files
Bachelorarbeit_Leopold_Michael__Copy_.pdf
Files
(4.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:e0960b2bcc66e910a23a6c3bb85cf237
|
4.7 MB | Preview Download |
Additional details
CERN
- Programme
- No program participation