Machine Learning Estimators for Jet Shapes Background Correction

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F21%3A00353104" target="_blank" >RIV/68407700:21340/21:00353104 - isvavai.cz</a>

Výsledek na webu

<a href="http://gams.fjfi.cvut.cz" target="_blank" >http://gams.fjfi.cvut.cz</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Machine Learning Estimators for Jet Shapes Background Correction

Popis výsledku v původním jazyce

Jet shapes and structure observables are the key point of interest in heavy-ion physics. As the dominant background of soft processes complicates the measurement of jet properties, it is necessary to perform the correction of the jet properties. Machine learning (ML) methods such as artiffcial neural networks (ANN), decision trees and random forests are commonly used for the regression tasks. Thus, the observed uncorrected jet properties can be used as the input variables for the ML models estimating the real corrected jet properties. In this paper, we explore the potential of ML algorithms for different combinations of input jet properties. Furthermore, we use a convolutional neural network (CNN) model to test whether the deep learning approaches can improve the estimation performance. Today, deep learning models are typically used for the neutrino experiments, such as the NOvA experiment [1, 2]. We aim to improve the background correction of the jet properties in comparison to the established area-based method.

Název v anglickém jazyce

Machine Learning Estimators for Jet Shapes Background Correction

Popis výsledku anglicky

Jet shapes and structure observables are the key point of interest in heavy-ion physics. As the dominant background of soft processes complicates the measurement of jet properties, it is necessary to perform the correction of the jet properties. Machine learning (ML) methods such as artiffcial neural networks (ANN), decision trees and random forests are commonly used for the regression tasks. Thus, the observed uncorrected jet properties can be used as the input variables for the ML models estimating the real corrected jet properties. In this paper, we explore the potential of ML algorithms for different combinations of input jet properties. Furthermore, we use a convolutional neural network (CNN) model to test whether the deep learning approaches can improve the estimation performance. Today, deep learning models are typically used for the neutrino experiments, such as the NOvA experiment [1, 2]. We aim to improve the background correction of the jet properties in comparison to the established area-based method.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10303 - Particles and field physics

Projekt

<a href="/cs/project/LTT18001" target="_blank" >LTT18001: Spolupráce na experimentech ve Fermiho národní laboratoři, USA</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

SPMS 2020/21 Stochastic and Physical Monitoring Systems, Proceedings of the international conferences

ISBN

978-80-01-06922-6

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

53-60

Název nakladatele

České vysoké učení technické v Praze

Místo vydání

Praha

Místo konání akce

Malá Skála

Datum konání akce

24. 6. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—