Registro:
| Documento: | Tesis de Grado |
| Título: | Optimización de una red neuronal para la detección de anomalías en distribuciones de masa invariante |
| Autor: | Sprejer, Eitan |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Lugar de trabajo: | Weizmann Institute of Science
|
| Fecha de defensa: | 2025-04-04 |
| Fecha en portada: | Marzo 2025 |
| Grado Obtenido: | Grado |
| Título Obtenido: | Licenciado en Ciencias Físicas |
| Departamento Docente: | Departamento de Física |
| Director: | Bressler, Shikma |
| Director Asistente: | Rodrigues Ferreira Maltez, Darío Pablo |
| Jurado: | Sassot, Rodolfo; Otero, Gustavo; Monticelli, Fernando Gabriel |
| Idioma: | Español |
| Formato: | PDF |
| Handle: |
https://hdl.handle.net/20.500.12110/seminario_nFIS000242_Sprejer |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nFIS000242_Sprejer.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/seminario/document/seminario_nFIS000242_Sprejer |
| Ubicación: | Dep.FIS 000242 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Sprejer, Eitan. (2025). Optimización de una red neuronal para la detección de anomalías en distribuciones de masa invariante. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nFIS000242_Sprejer |
Resumen:
El método DDP (Data-Directed Paradigm) se propuso para buscar de forma eficiente la física resonante más allá del Modelo Estándar (BSM). Utiliza una Red Neuronal (NN), entrenada con datos (data) sintéticos generados a partir de funciones analíticas suavemente decrecientes, para mapear rápidamente una distribución de masa invariante en un perfil de significancia estadística para excesos de eventos. En el marco de esta tesis, se realizó un estudio exhaustivo de la NN—llamada BumpNet—en distintos conjuntos de datos de prueba, proponiendo e implementando mejoras a su rendimiento. Debido al rendimiento deficiente de BumpNet obtenido en distribuciones reales de masa invariante extraídas de búsquedas de resonancias en ATLAS, se realizaron una serie de estudios que llevaron a la hipótesis que la poca variabilidad de la data sintética de entrenamiento podría ser la causa del bajo rendimiento. Para corroborar dicha hipótesis, se propusieron y se evaluaron dos métodos complementarios para mejorar la variabilidad de la data sintética: (1) añadir nuevas funciones analíticas a la generación de data sintética, y (2) variar los intervalos del dominio pasado a las funciones analíticas en el proceso de generación de data de entrenamiento. Los resultados muestran mejoras significativas en el rendimiento de BumpNet en data real al aplicar ambos métodos. El proyecto DDP avanzó significativamente desde entonces, y las soluciones implementadas en este trabajo tuvieron un gran impacto en los resultados más recientes obtenidos con la nueva versión de BumpNet. Estos resultados sientan las bases para futuros avances en la búsqueda de señales más allá del Modelo Estándar mediante métodos basados en aprendizaje automático.
Citación:
---------- APA ----------
Sprejer, Eitan. (2025). Optimización de una red neuronal para la detección de anomalías en distribuciones de masa invariante. (Tesis de Grado. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/seminario_nFIS000242_Sprejer
---------- CHICAGO ----------
Sprejer, Eitan. "Optimización de una red neuronal para la detección de anomalías en distribuciones de masa invariante". Tesis de Grado, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2025.https://hdl.handle.net/20.500.12110/seminario_nFIS000242_Sprejer
Estadísticas:
Descargas mensuales
Total de descargas desde :
https://bibliotecadigital.exactas.uba.ar/download/seminario/seminario_nFIS000242_Sprejer.pdf
Distrubución geográfica
