Project

Back to overview

Exploiting LHC data with machine learning and preparations for HL-LHC

Applicant Golling Tobias
Number 181984
Funding scheme Project funding
Research institution Département de physique nucléaire et corpusculaire Université de Genève
Institution of higher education University of Geneva - GE
Main discipline Particle Physics
Start/End 01.10.2018 - 30.09.2022
Approved amount 1'125'542.00
Show all

Keywords (7)

boosted-object tagging; charged particle tracking; HL-LHC pixel upgrade; machine learning; BSM physics; fast calorimeter simulation; flavour tagging

Lay Summary (German)

Lead
Die Teilchenphysik hat das primäre Ziel, um es mit Goethe's Faust zu sagen, zu erforschen was die Welt im Innersten zusammenhält. Die kontrollierte Kollision von hochenergetischen Hadronen, und die Detektion der dabei entstehenden Teilchen, ist ein vielversprechendes Instrument, das zur Entdeckung des Top Quarks und zuletzt des Higgs Bosons mit dem Large Hadron Collider (LHC) geführt hat. Die Suche in LHC Kollisionen nach neuen Teilchen jenseits unseres derzeitigen Verständnisses erlaubt Antworten auf offene Fragen unseres Universums zu finden, so wie z.B. die der Natur der dunklen Materie.
Lay summary
Unser Ziel ist es, das Entdeckungspotential des ATLAS Experiments am LHC für neue Phänomene zu optimieren, insbesondere durch Anwendung künstlicher Intelligenz.  Ein wesentlicher Bestandteil ist das effiziente Identifizieren der verschiedenen entstehenden Teilchen bei kleiner Fehlidentifikationsrate. Neuartige Detektorsignaturen werden auf die Präsenz von Physik jenseits des sogenannten Standard Models hin getestet. Des Weiteren zielen wir auf konkrete Lösungsvorschläge hin, um die immer größer werdende Informationsflut unserer Daten und der damit verbundene steigende Rechenaufwand der Datenverarbeitung und Dateninterpretation zu bewältigen.  Gleichzeitig wird zur Entwicklung des zukünftigen Pixel Detektors beigetragen.
Direct link to Lay Summary Last update: 05.10.2018

Responsible applicant and co-applicants

Employees

Associated projects

Number Title Start Funding scheme
173598 FLARE: Maintenance & Operation for the LHC Experiments 2017-2020 01.04.2017 FLARE
201478 FLARE - ATLAS Detector Operation and Phase-II Upgrade at the CERN Large Hadron Collider (LHC) 01.04.2021 FLARE
173601 FLARE - ATLAS Detector Operation and Phase-II Upgrade at the CERN Large Hadron Collider (LHC) 01.04.2017 FLARE
169025 New physics searches with b-tagging, top-tagging and machine learning, and HL-LHC pixel upgrade using ATLAS at LHC 01.10.2016 Project funding
173600 FLARE - GRID Infrastructure for LHC Experiments 01.04.2017 FLARE

Abstract

The proposal is to improve flavour tagging and so-called boosted-object tagging by using novel algorithms and machine learning such as deep learning. The pattern recognition techniques for tracking of charged particles currently in use will no longer be able to cope with the huge amount of computation required during HL-LHC. New machine learning techniques for particle track reconstruction for HL-LHC are proposed. Fast high-fidelity calorimeter simulation is a bottleneck in the physics program. A novel fast calorimeter simulation using Variational Auto Encoders is proposed. The ITk upgrade of the ATLAS pixel detector is key to the HL-LHC project. Contributions to the in-house construction steps are proposed, in line with FLARE grant 20FL20_173601. The proposed research is complemented with a progamme to search for unconventional signatures due to new phenomena associated with a dark or hidden sector, and unseen Higgs boson decays: H->cc in VH production (V=W/Z).
-