|
|
Clustering hits and predictions in data from TimePix3 detectors
Čelko, Tomáš ; Mráz, František (vedoucí práce) ; Holan, Tomáš (oponent)
Hybridné pixelové detektory ako Timepix3 a Timepix4 zaznamenávajú elementárne častice pomocou pixelov, ktoré generujú takzvané "hity". Pre ďalšiu analýzu je potrebné zoskupiť jednotlivé hity do priestorovo a časovo koincidujúcich skupín, nazývaných aj klastre. Zatiaľ čo detektory Timepix3 dokážu generovať až 80 miliónov hitov za sekundu, ďalšia generácia Timepix4 poskytne až 640 miliónov hitov za sekundu, čo je ďaleko nad súčasnou kapacitou algoritmov klastrovania v reálnom čase, ktoré spracovávajú približne 3 milióny hitov za sekundu. V našej práci skúmame možnosti zrýchlenia procesu klastrovania so zameraním na jeho aplikáciu v reálnom čase. Vyvinuli sme nástroj, ktorý využíva viacjadrové CPU na zrýchlenie klastrovania. Napriek neusporiadanosti a vzájomnej časovej závislosti hitov dosahujeme zrýchlenie, ktoré rastie s počtom použitých jadier. Okrem toho sme využili možnosti znížiť výpočtové nároky klastrovania tým, že určíme parametre radiačného poľa z neklastrovaných údajov a iniciujeme klastrovanie, ak tieto parametre preukazujú znaky zaujímavých udalostí. Toto ďalšie zrýchlenie klastrovania zároveň znižuje požiadavky na ukladací priestor. Navrhované metódy boli overené a porovnané pomocou reálnych a simulovaných dát.
|
|
|
Support for annotating and classifying particles detected by Timepix3
Čelko, Tomáš ; Mráz, František (vedoucí práce) ; Holan, Tomáš (oponent)
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.
|
host ::
RSS.