3889 KB0 KB201420262026Železnikar, Korlštevilka:112 str.letnik:13ISSN:2385-8567COBISSID_HOST:276114691URN:URN:NBN:SI:doc-QKDEZ0JMslZaložba Fakultete za matematiko in fiziko Univerze v LjubljaniMatrikacalorimetersdiffusion modelsdifuzijski modelgenerative algorithmsgenerativni algoritemkalorimetrični detektorjimachine learningstrojno učenjeGenerativni algoritmi strojnega učenja v fiziki|Generative algorithms have gained significant popularity in recent years, due to their widespread use in industry. Their ability to create convincing new data is now proving valuable in particle physics, where technological upgrades of colliders have increased the demand for faster simulations of detector responses to particle collisions. Thus, implementing these algorithms presents a promising solution. This article presents the fundamental principles of machine learning and delves into the workings of a diffusion-based generative algorithm that is used to simulate the calorimeter response in particle collision experiments as an alternative to traditional Monte Carlo methodsGenerativni algoritmi so v zadnjih letih, zahvaljujoč uporabi v industriji, močno pridobili na popularnosti. Njihova sposobnost ustvarjanja prepričljivih novih podatkov pa se zdaj izkazuje tudi v fiziki osnovnih delcev, kjer zaradi tehnoloških nadgradenj na trkalnikih potreba po hitrejšem simuliranju odzivov detektorjev na trke delcev narašča. Uporaba teh algoritmov se tako ponuja kot obetavna rešitev. Članek predstavi osnovne principe strojnega učenja in se poglobi v delovanje difuzijskega generativnega algoritma, ki se uporablja za simulacije odziva kalorimetra pri trkih v fiziki osnovnih delcev kot nadomestek tradicionalnih Monte Carlo metodTEXTznanstveno časopisjejournalsSlovenian National E-content AggregatorNational and University Library of SloveniaUniverza v Ljubljani, Fakulteta za matematiko in fiziko