Using the methods of Supervised Machine Learning on data taken from CMS/CERN (Run2011A) we trained Neural Networks in classifying electroweak bosons decays (Z and W) distinguishing between decays in electrons or muons. We reached an accuracy of >90% which makes these neural networks interesting concerning a possible outcome as generative models in the scope of simulation projects. The entire project (slides included) is hosted in a GitHub repository at https://github.com/jlancione/thesis_notebooks
Utilizzando i metodi del Supervised Machine Learning su dati provenienti dal CMS/CERN (Run2011A) si è allenata una Rete Neurale a classificare i decadimenti dei bosoni elettrodeboli Z e W in elettroni e muoni. Si è raggiunta un'accuratezza del >90% che rende queste reti neurali interessanti relativamente ad un loro utilizzo come modelli generativi nell'ambito di progetti di simulazione di decadimenti. L'intero lavoro (slides della presentazione incluse) è raccolto in un repositorio GitHub a https://github.com/jlancione/thesis_notebooks
Classificazione dei bosoni elettrodeboli con una rete neurale al Large Hadron Collider
LANCIONE, JACOPO
2023/2024
Abstract
Utilizzando i metodi del Supervised Machine Learning su dati provenienti dal CMS/CERN (Run2011A) si è allenata una Rete Neurale a classificare i decadimenti dei bosoni elettrodeboli Z e W in elettroni e muoni. Si è raggiunta un'accuratezza del >90% che rende queste reti neurali interessanti relativamente ad un loro utilizzo come modelli generativi nell'ambito di progetti di simulazione di decadimenti. L'intero lavoro (slides della presentazione incluse) è raccolto in un repositorio GitHub a https://github.com/jlancione/thesis_notebooksFile | Dimensione | Formato | |
---|---|---|---|
Lancione_presentazione.pdf
non disponibili
Descrizione: Slides della presentazione tenuta in sede di discussioni di tesi
Dimensione
10.13 MB
Formato
Adobe PDF
|
10.13 MB | Adobe PDF |
I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/20.500.14240/6528