
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | European Organization for Nuclear Research (CERN) | - |
| Autor(es): dc.contributor | University of California | - |
| Autor(es): dc.contributor | National and Kapodistrian University of Athens | - |
| Autor(es): dc.creator | Orzari, Breno | - |
| Autor(es): dc.creator | Chernyavskaya, Nadezda | - |
| Autor(es): dc.creator | Cobe, Raphael | - |
| Autor(es): dc.creator | Duarte, Javier | - |
| Autor(es): dc.creator | Fialho, Jefferson | - |
| Autor(es): dc.creator | Gunopulos, Dimitrios | - |
| Autor(es): dc.creator | Kansal, Raghav | - |
| Autor(es): dc.creator | Pierini, Maurizio | - |
| Autor(es): dc.creator | Tomei, Thiago | - |
| Autor(es): dc.creator | Touranakou, Mary | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T19:58:20Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T19:58:20Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2023-11-30 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1088/2632-2153/ad04ea | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/307260 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/307260 | - |
| Descrição: dc.description | In high energy physics, one of the most important processes for collider data analysis is the comparison of collected and simulated data. Nowadays the state-of-the-art for data generation is in the form of Monte Carlo (MC) generators. However, because of the upcoming high-luminosity upgrade of the Large Hadron Collider (LHC), there will not be enough computational power or time to match the amount of needed simulated data using MC methods. An alternative approach under study is the usage of machine learning generative methods to fulfill that task. Since the most common final-state objects of high-energy proton collisions are hadronic jets, which are collections of particles collimated in a given region of space, this work aims to develop a convolutional variational autoencoder (ConVAE) for the generation of particle-based LHC hadronic jets. Given the ConVAE’s limitations, a normalizing flow (NF) network is coupled to it in a two-step training process, which shows improvements on the results for the generated jets. The ConVAE+NF network is capable of generating a jet in 18.30 ± 0.04 μ s , making it one of the fastest methods for this task up to now. | - |
| Descrição: dc.description | Marathon | - |
| Descrição: dc.description | Advanced Scientific Computing Research | - |
| Descrição: dc.description | U.S. Department of Energy | - |
| Descrição: dc.description | European Research Council | - |
| Descrição: dc.description | High Energy Physics | - |
| Descrição: dc.description | National Science Foundation | - |
| Descrição: dc.description | National Sleep Foundation | - |
| Descrição: dc.description | National Stroke Foundation | - |
| Descrição: dc.description | Norsk Sykepleierforbund | - |
| Descrição: dc.description | Office of Science | - |
| Descrição: dc.description | SLAC National Accelerator Laboratory | - |
| Descrição: dc.description | The Research Council | - |
| Descrição: dc.description | Horizon 2020 | - |
| Descrição: dc.description | Universidade Estadual Paulista, SP | - |
| Descrição: dc.description | European Organization for Nuclear Research (CERN) | - |
| Descrição: dc.description | University of California, La Jolla | - |
| Descrição: dc.description | Department of Informatics and Telecommunications National and Kapodistrian University of Athens | - |
| Descrição: dc.description | Universidade Estadual Paulista, SP | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Machine Learning: Science and Technology | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | generative models | - |
| Palavras-chave: dc.subject | high energy physics | - |
| Palavras-chave: dc.subject | hyperparameter tuning | - |
| Palavras-chave: dc.subject | particle physics | - |
| Título: dc.title | LHC hadronic jet generation using convolutional variational autoencoders with normalizing flows | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: