Rozprawa doktorska pod tytułem „Machine learning based long-lived particle reconstruction algorithm for Run 2 and upgrade LHCb trigger and a flexible software platform for the UT detector read-out chip emulation" składa się z opisu dwóch projektów badawczych zrealizowanych w ramach współpracy LHCb.
Pierwszy z nich jest dedykowany opisowi prac nad algorytmem do rekonstrukcji śladów pochodzących od cząstek długożyciowych. W ramach prowadzonych badań zdecydowano się zastosować nowatorskie metody uczenia maszynowego. Projekt ten jest jednym z pierwszych, który używa zaawansowanych modeli uczenia maszynowego w ramach systemu wyzwalania wysokiego poziomu.
Druga część pracy przedstawia zaprojektowanie i zaimplementowanie platformy do emulacji i monitoringu algorytmów przetwarzania surowych danych zbieranych przez projektowany detektor UT (ang. Upstream Tracker) w ramach modernizacji detektora LHCb. Wykonana aplikacja była wykorzystywana podczas szeregu testów na wiązce, których celem było sprawdzenie poprawności projektowanych sensorów oraz elektronicznego układu odczytu front-end Salt. W przyszłości oprogramowanie to będzie wykorzystywane między innymi do wykonywania kalibracji i monitorowania poprawności działania detektora UT.
Machine learning based long-lived particle reconstruction algorithm for Run
2 and upgrade LHCb trigger and a flexible software platform for the
UT detector read-out chip emulation
Thesis "Machine learning based long-lived particle reconstruction algorithm for Run 2 and upgrade LHCb trigger and a flexible software platform for the UT detector read-out chip emulation" discusses two projects, which were performed during the author's work for the LHCb Collaboration.
The first one was related to the design and improvement of the algorithm dedicated to reconstructing long-lived particles. To enhance this algorithm, two machine learning classifiers were trained and deployed. Each of the deployed models was carefully tested, and its hyperparameters were optimized using various strategies, including Bayesian Optimization. Within the process of model validation, two novel methods for model prediction interpretation were proposed.
The second part of this thesis was related to the design and implementation of the Upstream Tracker raw data emulation and performance monitoring software platform. This software was essential for processing the data collected during the testbeam experiments In the future, this software will be used to perform calibration of the UT processing algorithms as well as for performance diagnostics of the UT detector
