Aplicación de redes neuronales de tipo grafo a la reconstrucción de vértices en el detector CMS del LHC

Abstract

En este trabajo de fin de grado se estudia la posible aplicación de redes neuronales de tipo grafo (Graph Neural Networks, GNN) como alternativa al algoritmo clásico de reconstrucción de vértices en el detector CMS del LHC (Large Hadron Collider). Para ello, se ha desarrollado un programa en Python que simula los eventos de colisión protón-protón producidos en el LHC con las condiciones esperadas para la fase de Alta Luminosidad del LHC (High Luminosity LHC, HL-LHC), incluyendo los efectos de pile-up. Para el estudio, se ha confeccionado una versión simplificada del algoritmo utilizado en CMS para la reconstrucción de vértices primarios a partir del algoritmo k-means, y se ha desarrollado una red neuronal de tipo grafo que ha sido entrenada para agrupar trazas en vértices. Se han comparado ambos procesos en términos de eficiencia de reconstrucción y se han discutido las ventajas e inconvenientes del uso de este tipo de redes para tareas de clasificación en física de partículas.

In this bachelor’s thesis, the possible application of graph neural networks (GNNs) as an alternative to the classical vertex reconstruction algorithm in the CMS detector at the LHC (Large Hadron Collider) is studied. For this purpose, a Python program has been developed to simulate proton-proton collision events produced at the LHC under the expected conditions for the High Luminosity LHC (HL-LHC) phase, including pile-up effects. For the study, a simplified version of the algorithm used in CMS for primary vertex reconstruction, based on the k-means clustering method, has been implemented, and a graph neural network has been designed and trained to cluster tracks into vertices. Both processes have been compared in terms of reconstruction efficiency, and the advantages and limitations of using this type of network for classification tasks in particle physics have been discussed.