Busca avançada
Ano de início
Entree

Aprendizado de máquina para simulação de colisões de física de altas energias com o detector CMS

Processo: 19/16401-0
Modalidade de apoio:Bolsas no Exterior - Estágio de Pesquisa - Mestrado
Data de Início da vigência: 01 de outubro de 2019
Data de Término da vigência: 20 de dezembro de 2019
Área de conhecimento:Ciências Exatas e da Terra - Física - Física das Partículas Elementares e Campos
Pesquisador responsável:Thiago Rafael Fernandez Perez Tomei
Beneficiário:Breno Orzari
Supervisor: Maurizio Pierini
Instituição Sede: Instituto de Física Teórica (IFT). Universidade Estadual Paulista (UNESP). Campus de São Paulo. São Paulo , SP, Brasil
Instituição Anfitriã: European Organization for Nuclear Research (CERN), Suíça  
Vinculado à bolsa:18/01398-1 - Busca por nova física no experimento CMS do Large Hadron Collider, BP.MS
Assunto(s):Física de partículas   Física de alta energia   Aprendizado computacional   Aprendizagem profunda   Grande Colisor de Hádrons   Colisões
Palavra(s)-Chave do Pesquisador:Aprendizado de Máquina | Compact Muon Solenoid | Fisica de altas energias | fisica de particulas | Large Hadron Collider | Física Experimental de Altas Energias

Resumo

O trabalho científico dos experimentos do Large Hadron Collider depende de maneira crítica na análise rápida dos dados produzidos pelo colisor. Um componente vital dessa análise é a produção em grande escala de dados sintéticos de colisões simuladas, para comparação com os dados observados. As campanhas de produção geralmente compreendem dezenas de bilhões de colisões simuladas, com cada colisão levando mais de um minuto para ser completamente sintetizada. Desenvolvimentos recentes em técnicas de aprendizado profundo de máquina - modelos generativos e redes grafos - podem permitir a aceleração desse processo. Este projeto propõe um estudo aprofundado da aptidão dessas técnicas para o processo de simulação, utilizando o detector CMS como um cenário de referência. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
KANSAL, RAGHAV; DUARTE, JAVIER; SU, HAO; ORZARI, BRENO; TOMEI, THIAGO; PIERINI, MAURIZIO; TOURANAKOU, MARY; VLIMANT, JEAN-ROCH; RANZATO, M; BEYGELZIMER, A; et al. Particle Cloud Generation with Message Passing Generative Adversarial Networks. ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 30 (NIPS 2017), v. 34, p. 14-pg., . (19/16401-0, 18/25225-9, 18/01398-1)