KIP-Veröffentlichungen

Durch das geplante Phase-II Upgrade des Large Hadron Colliders wird die Anzahl der auftretenden Proton-Proton-Kollisionen auf 140-200 steigen. Die dadurch stärkeren Untergrundprozesse stellen eine Herausforderung fur den ATLAS Level-1 Calorimeter Trigger dar. Zu seinen Aufgaben zählt die Detektion und Energierekonstruktion gemessener Teilchen in den Kalorimetern des ATLAS-Detektors. In dieser Arbeit wurde untersucht, ob Machine Learning Algorithmen die Leistungsfähigkeit des Triggers verbessern können. Dafur wurden künstliche neuronale Netze mit simulierten Daten aus dem hadronischen Kalorimeter trainiert. Fur eine erste Machbarkeitsstudie kamen Daten mit einer mittleren Anzahl Proton-Proton-Kollisionen von 40 zum Einsatz. Die Untersuchung der Leistungsfähigkeit der Netzwerke im Vergleich zu dem aktuellen System hat gezeigt, dass insbesondere fur niedrigenergetische Pulse eine genauere Rekonstruktion der transversalen Energie durch ein neuronales Netz möglich ist. Außerdem erreichen die Netzwerke bei der Detektion von Ereiignissen eine bessere Effizienz und Reinheit.

Due to the planned Phase-II upgrade of the Large Hadron Collider, the number of occurring proton-proton collisions will increase to 140-200. The resulting stronger background processes are challenging the ATLAS Level-1 Calorimeter Trigger. Its tasks include the detection and energy reconstruction of measured particles in the calorimeters of the ATLAS detector. In this thesis, it was investigated whether machine learning algorithms can improve the performance of the trigger. For this purpose, artificial neural networks were trained with simulated data from the hadronic calorimeter. For a first feasibility study, data with an average number of proton-proton collisions of 40 were used. The investigation of the performance of the networks compared to the current system has shown that for particles a more accurate reconstruction of their transversal energy is possible using a neural network, especially in the low energy range. In addition, the networks achieve better efficiency and purity when detecting events.