3706 KB26 KB201420242020Debevc, Jernejštevilka:110 str.letnik:7COBISSID_HOST:23651331ISSN:2385-8567URN:URN:NBN:SI:doc-9SWQWRZPenZaložba Fakultete za matematiko in fiziko Univerze v LjubljaniMatrikaATLAS detectordetektor ATLASeksperimentalna fizika visokih energijevent simulationhigh energy physics experimentsmachine learningsimulacija dogodkovstrojno učenjeEvent simulation using machine learning at the ATLAS detector|Most modern high energy physics experiments rely on a substantial amount of simulated collision events in an analysis to achieve acceptable statistical accuracy. Event generation using current Monte Carlo methods is highly CPU intensive and time consuming. A faster alternative presently being studied is utilizing machine learning algorithms, which proved to be orders of magnitude faster than traditional methods. In this article, I present the process of generating simulated events, describe generative models and demonstrate how they could be used to accelerate event productionVečina modernih visokoenergijskih fizikalnih eksperimentov pri analizi potrebuje veliko količino simuliranih dogodkov, da dosežejo sprejemljivo statistično natančnost. Generacija dogodkov z Monte Carlo metodami, ki je trenutno v uporabi, je računsko zelo zahteven in časovno zamuden postopek. Možna alternativa, ki se trenutno proučuje, je uporaba algoritmov strojnega učenja, za katere se izkaže, da so rede velikosti hitrejši od tradicionalnih metod. Članek predstavlja postopek generiranja simuliranih dogodkov, osnove generativnih modelov ter možen način uporabe le-teh za pospšitev generacije dogodkovTEXTznanstveno časopisjejournalsSlovenian National E-content AggregatorNational and University Library of Slovenia