Název:
Podpora pro anotaci a klasifikaci částic detekovaných detektorem Timepix3
Překlad názvu:
Support for annotating and classifying particles detected by Timepix3
Autoři:
Čelko, Tomáš ; Mráz, František (vedoucí práce) ; Holan, Tomáš (oponent) Typ dokumentu: Bakalářské práce
Rok:
2021
Jazyk:
eng
Abstrakt: [eng][cze] Hybrid pixel detectors like Timepix3 can capture gigabytes of data on various particles in a second. However, in such measurements, a vast majority of these particles represent already well-known particles. Distinguishing between the types of particles is the first step in searching for extraordinary particles. It is a non-trivial task often done by physicists. Source data consists of clusters that are groups of pixels of the detector hit by a particle or its secondary particles when the particle decays. Manual processing of the data to such an extent is inefficient. We created a set of tools for visualizing clusters, computing properties of clusters, filtering clusters based on their properties, and training neural network classifiers. Trained classifiers can be merged into a tree structure, offering a better utilization of unevenly distributed types of clusters. Based on simulated labeled data, we trained multiple classifiers and evaluated their performance on the test dataset of clusters.Hybridné pixelové detektory, ako napríklad Timepix3, dokážu počas niekoľko- sekundových meraní zachytiť obrovské množstvo elementárnych častíc. Pri takýchto meraniach je ale väčšina zo zachytených častíc pre fyzikov už dobre známa. Pritom rozlíšiť, do akej kategórie patrí častica zachytená detektorom je ale netriviálnou úlohou, s ktorou sa experimentálni fyzici zaoberajú. Dáta z detektoru Timepix3 tvoria skupiny pixelov, ktoré zachytili nenulovú energiu primárnej častice a prípadne sekundárnych častíc, ktoré vznikli jej rozpadom. Takéto skupiny pixelov nazývame klastre. Manuálne spracovanie dát takýchto rozmerov sa ale javí ako neefektívne. Preto sme vytvorili nástroje na vizualizáciu klastrov, počítanie ich vlastností, filtrovanie a trénovanie klasifikátorov použitím neurónových sietí. Natrénované klasifikátory sa potom môžu spojiť do stromovej štruktúry, vďaka čomu dokážeme lepšie využiť nerovnomerne distribuované trénovacie dáta. Na základe simulovaných dát sme natrénovali niekoľko klasifikátorov a overili ich úspešnosť na testovacej množine klastrov.
Klíčová slova:
elemntární částice|skeletonizace|strojové učení|klaster|Timepix3; elementary particles|skeletonization|machine learning|cluster|Timepix3