Machine learning techniques for JetMET data certification of the CMS detector at CERN

Abstract

CERN Büyük Hadron Çarpıştırıcısında proton-proton çarpışmalarından çıkan yüksek enerjili parçacıkların ölçüldüğü kompakt müon solenoid (CMS) dedektörü gibi son teknolojiyi kullanan dedektörler için, veri kalitesi izleme (DQM) ve veri sertifikasyonu (DC) yapmak, fizik analizleri ve veri kalitesini sağlamak için önemli iki bileşendir. Çevrimdışı DQM işlemlerinde, veri kümesi (Run) olarak gruplanan kayıtlı verilerin kalitesi değerlendirilir. Hadronik jetler ve eksik enine momentum (MET) ile ilgili miktarların sertifikasyonu için mevcut yöntem, çoğunlukla dedektörün durumunu ve performansını özetleyen referans histogramlarının manuel olarak izlenmesine dayanır. Bahsedilen çok sayıda histogram göz önüne alındığında, süreç zaman alıcıdır ve normdan sapmalar daha az belirgin olduğunda insan hatasına eğilimlidir. Burada sunulan sonuçlar, hadronik jet ve MET nesnelerine odaklanarak çevrimdışı DQM verilerini iyi veya kötü veri olarak onaylamak için makine öğrenimi yöntemlerini göstermektedir. Bu tez de 2018 yılı boyunca toplanan çarpışma verilerini kullanarak, “autoencoder” tekniklerinin çalışmaları doğru bir şekilde onaylayabildiğini ve düzensiz dedektör bölgelerini tespit edebildiğini, böylece hem veri sertifikasyonu için gereken süreyi hem de bir uzman kişinin potansiyel olarak gözden kaçırabileceği anormallik oranını azaltabildiğini gösterdik.

For cutting-edge detectors like the compact muon solenoid (CMS) detector, where high energetic particles emerging from proton-proton collisions at the CERN large hadron collider (LHC) are measured, data quality monitoring (DQM) and data certification (DC) are crucial components in ensuring reliable data quality suitable for physics analysis. In the offline DQM procedure, the quality of recorded data, grouped in ‘runs’, is evaluated. The current method for certification of quantities related to hadronic jets and missing transverse momentum (MET) is mostly reliant on manually monitoring reference histograms summarizing the status and performance of the detector. Given the large number of distributions that are mentioned, the process is time intensive and prone to human error when deviations from the norm are less evident. The results presented here show machine learning methods for certifying offline DQM data, focusing on hadronic jet and MET objects. Using collision data collected during 2018, we show that autoencoder techniques can accurately certify runs and detect ineffective detector regions, allowing us to reduce both the time required for DC, as well as the rate of anomalies a human expert can potentially miss.