Jahr | 2022 |
Autor(en) | Mathias Backes |
Titel | Machine Learning Unfolding based on conditional Invertible Neural Networks using Iterative Training |
KIP-Nummer | HD-KIP 22-88 |
KIP-Gruppe(n) | F8 |
Dokumentart | Masterarbeit |
Abstract (de) | In den letzten Jahrzehnten wurden matrix-basierte Unfolding-Algorithmen eingesetzt um Detektoreffekte von gemessenen Daten zu entfernen. Das Haupt- problem dieser Ansätze ist das exponentielle Skalieren der benötigten Rechenleistung für höhere Dimensionen aufgrund der eingeführten Histogrammdar- stellung des Phasenraumes. Infolgedessen existiert eine Nachfrage für Ansätze, welche auf diese Histogrammdarstellung verzichten und stattdessen die Daten auf Basis einzelner Events behandeln. In den letzten Jahren wurden daher Werkzeuge des maschinellen Lernens auf die Herausforderung des Unfoldings angewandt. Eine Möglichkeit ist hierbei die Verwendung von konditionalisierten invertierbaren neuronalen Netzen (cINN). Diese Arbeit schlägt eine Möglichkeit vor, wie matrix-basierte Algorithmen durch die Implementierung eines matrix-basiertes Unfolding von einzelnen Events mit cINN Unfolding verglichen werden können. Des Weiteren wird eine Erweiterung des cINN Unfoldings vorgeschlagen, welches die Modellabhängigkeit im Unfolding-Prozess iterativ reduziert. Die Wirksamkeit dieses Iterativen cINN Unfolding (IcINN) wird anhand von Pseudo-Daten mit pp → Zγγ im Endzustand demonstriert. |
Abstract (en) | Throughout the last decades, matrix-based unfolding has been used in count- less analyses to remove detector effects from measured data. The main bot- tleneck of these approaches is the exponential scaling of computational re- sources for multiple dimensions due to the introduced binning of the phase space. Hence, there is a demand for unbinned approaches, which use an event-by-event treatment of the data. In recent years, machine learning tools have thus been applied to the task of unfolding. One possibility is to use conditional Invertible Neural Networks (cINN). This thesis proposes a method for comparrison of the matrix-based algorithms to cINN unfolding by implementing a matrix-based single event unfolding. In addition, an extension of cINN unfolding is proposed to iteratively reduce the model-dependency in the unfolding process. The performance of this Itera- tive cINN unfolding (IcINN) is demonstrated by unfolding pseudo-data with a pp → Zγγ final state. |
bibtex | @mastersthesis{BackesIcINN, author = {Mathias Backes}, title = {Machine Learning Unfolding based on conditional Invertible Neural Networks using Iterative Training}, school = {Universität Heidelberg}, year = {2022}, type = {Masterarbeit} } |