Title (eng)
Using recurrent neural networks for particle tracking at the CERN Large Hadron Collider
Parallel title (deu)
Particle Tracking am CERN Large Hadron Collider mit rekurrenten neuronalen Netzen
Author
Claus Hofmann
Advisor
Claudia Plant
Assessor
Claudia Plant
Abstract (deu)
Diese Arbeit behandelt einen neuen, auf Deep Learning basierenden Algorithmus für Particle Tracking, der nur auf Basis von Daten gelernt werden kann. Particle Tracking ist ein Problem aus der Hochenergiephysik, wobei Materieteilchen in großen Teilchenbeschleunigern, wie dem LHC am CERN, innerhalb eines Teilchendetektors zur Kollision gebracht werden. Durch diese Kollisionen werden neue Teilchen geschaffen, welche vom Detektor an mehreren Orten gemessen und aufgezeichnet werden. Diese Aufzeichnungen werden auch "Hits" genannt. Ein Particle Tracker hat nun die Aufgabe, alle Hits, die von einem einzelnen Teilchen stammen, zu verbinden und so die Flugbahn des Teilchens zu rekonstruieren. Der Tracker, der in dieser Arbeit vorgestellt wird, basiert auf einem existierenden Ansatz aus dem Bereich der Computer Vision, mit dem Objekte, wie zum Beispiel Personen, innerhalb eines Videos getrackt werden können. Der Tracker kann eine kleinere Anzahl an Teilchen gleichzeitig verfolgen. Dabei verwendet er End-To-End Learning, also das Lernen alleine auf Basis von Daten und ohne auf explizit implementierte physikalische Modelle zurückzugreifen. Es wird erörtert, was den Tracker daran hindert, auf sehr hohe Teilchendichten zu skalieren, und mögliche Lösungen werden vorgeschlagen.
Abstract (eng)
This thesis presents a novel, deep learning-based algorithm for particle tracking, which can be learned entirely from data. Particle tracking is a problem in high energy physics, where matter particles are accelerated in large particle accelerators, like the LHC at CERN, and then brought to collision within a particle detector. Upon these collisions, new particles are created, which are recorded by the detector at multiple locations. These recordings are called hits. A particle tracker fulfills the task of connecting all hits originating from a single particle to form the particle's trajectory. The tracker presented in this thesis is based on an approach from computer vision, where objects, like persons, are tracked in a video sequence. The presented tracker can track smaller amounts of particles simultaneously using end-to-end learning, i.e., the task of particle tracking is learned only from data and without any explicitly implemented physical models. Possible reasons hindering the tracker from scaling to very large particle densities are explored, and possible solutions suggested.
Keywords (eng)
recurrent neural networkmachine learningartificial intelligencedeep learningparticle trackingCERNLHCATLAS
Keywords (deu)
rekurrentes neuronales Netzmaschinelles Lernenkünstliche IntelligenzDeep LearningParticle TrackingCERNLHCATLAS
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
x, 67 Seiten : Diagramme
Number of pages
77
Study plan
Masterstudium Informatik
[UA]
[066]
[921]
Association (deu)
Title (eng)
Using recurrent neural networks for particle tracking at the CERN Large Hadron Collider
Parallel title (deu)
Particle Tracking am CERN Large Hadron Collider mit rekurrenten neuronalen Netzen
Author
Claus Hofmann
Abstract (deu)
Diese Arbeit behandelt einen neuen, auf Deep Learning basierenden Algorithmus für Particle Tracking, der nur auf Basis von Daten gelernt werden kann. Particle Tracking ist ein Problem aus der Hochenergiephysik, wobei Materieteilchen in großen Teilchenbeschleunigern, wie dem LHC am CERN, innerhalb eines Teilchendetektors zur Kollision gebracht werden. Durch diese Kollisionen werden neue Teilchen geschaffen, welche vom Detektor an mehreren Orten gemessen und aufgezeichnet werden. Diese Aufzeichnungen werden auch "Hits" genannt. Ein Particle Tracker hat nun die Aufgabe, alle Hits, die von einem einzelnen Teilchen stammen, zu verbinden und so die Flugbahn des Teilchens zu rekonstruieren. Der Tracker, der in dieser Arbeit vorgestellt wird, basiert auf einem existierenden Ansatz aus dem Bereich der Computer Vision, mit dem Objekte, wie zum Beispiel Personen, innerhalb eines Videos getrackt werden können. Der Tracker kann eine kleinere Anzahl an Teilchen gleichzeitig verfolgen. Dabei verwendet er End-To-End Learning, also das Lernen alleine auf Basis von Daten und ohne auf explizit implementierte physikalische Modelle zurückzugreifen. Es wird erörtert, was den Tracker daran hindert, auf sehr hohe Teilchendichten zu skalieren, und mögliche Lösungen werden vorgeschlagen.
Abstract (eng)
This thesis presents a novel, deep learning-based algorithm for particle tracking, which can be learned entirely from data. Particle tracking is a problem in high energy physics, where matter particles are accelerated in large particle accelerators, like the LHC at CERN, and then brought to collision within a particle detector. Upon these collisions, new particles are created, which are recorded by the detector at multiple locations. These recordings are called hits. A particle tracker fulfills the task of connecting all hits originating from a single particle to form the particle's trajectory. The tracker presented in this thesis is based on an approach from computer vision, where objects, like persons, are tracked in a video sequence. The presented tracker can track smaller amounts of particles simultaneously using end-to-end learning, i.e., the task of particle tracking is learned only from data and without any explicitly implemented physical models. Possible reasons hindering the tracker from scaling to very large particle densities are explored, and possible solutions suggested.
Keywords (eng)
recurrent neural networkmachine learningartificial intelligencedeep learningparticle trackingCERNLHCATLAS
Keywords (deu)
rekurrentes neuronales Netzmaschinelles Lernenkünstliche IntelligenzDeep LearningParticle TrackingCERNLHCATLAS
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
77
Association (deu)
License
- Citable links
- Other links
- Managed by
- DetailsObject typeContainerCreated04.12.2021 01:11:29 UTC
- Usage statistics-
- Metadata
- Export formats