Search

A common problem across scientific fields and industries is data storage. This thesis presents an open-source lossy data compression tool with its foundation in Machine Learning - Baler. Baler has been used to compress High Energy Physics (HEP) data, and initial compression tests on Computational Fluid Dynamics (CFD) toy data have been performed. For HEP, a compression ratio of R = 1.6 has generated reconstructions that can be deemed sufficiently accurate for physics analysis. In contrast, CFD data compression has successfully yielded sufficient results for a significantly lower compression ratio, R = 88. Baler’s reconstruction accuracy at different compression ratios has been compared to a lossless compression method, gzip, and a lossy compression method, Principal Component Analysis (PCA), with case-wise larger compression ratios over gzip; and accuracy at the same compression ratio overall exceeding that of PCA., Inom ett flertal olika vetenskapliga fält och industrier har ett gemensamt problem uppstått under den senaste tiden, nämligen ett problem angående lagring av data. På grund av att teknologi utvecklas hastigt så får många vetenskapliga fält ny utrustning kapabel av att generera mer och mer data. Samma historia gäller för vetenskapliga fält som är starkt beroende av simulationer, som också ökar i storlek med förbättringen av hård- och mjukvara. Partikelfysik är ett forskningsområde där detta är väldigt märkbart. ATLAS experimentet vid “The Large Hadron Collider” (LHC) är förutspått att ha lagrat nära fem exabyte (5*10^18 bytes) av data vid början på nästa decennium och det planerade “Square Kilometre Array” (SKA) experimentet är väntat att lagra ca. 8.5 exabyte av data under dess planerade 15 år av verksamhet. Med hänsyn till detta är komprimering av data ett givet område att undersöka för att minska mängden lagringskapacitet nödvändigt för att bibehålla all denna data. Den vanligaste komprimeringsmetoden kallas för icke-förstörande kompression, och kan komprimera data på ett sådant sätt att all ursprunglig data kan återskapas. Ett problem med icke-förstörande kompression är att oftast så räcker inte kompressions mängden för storskalig data, så mer drastiska åtgärder behöver användas. Ett alternativ för att kunna komprimera med högre “kompressions faktor” är förstörande kompression. Förstörande kompression kan överlag komprimera datan mer, men komprimeringen kommer med ett pris: datan kommer inte återskapas korrekt. Till en början låter inte detta som en praktisk lösning, men inom exempelvis partikelfysik så kan ändringen av data kompenseras med insamlingen av mer data. Under denna uppsats har en förstörande kompressions metod utforskats med sin grund i maskininlärning. Modellen som använts är en så kallad “Autoencoder” som gör det möjligt att hitta korrelationer i data för att sedan kunna representera datan i form av en mindre representation, och med hjälp av korrela

The Large Hadron Collider in Geneva was constructed as a discovery machine. So far, the Higgs boson has been the only discovery at the Large Hadron Collider, but physicists keep on pushing the limit in order to discover new particles. With the two major runs at the Large Hadron Collider showing some alluring surpluses of activity in multi-lepton final states, beyond the Standard Model theories are being explored in order to try to explain these excesses. One of the most prominent beyond the Standard Model theories consistent with these excesses is the 2HDM(+S) model. This theory postulates a new heavy Higgs boson $H$, decaying into the Standard Model Higgs boson $h$ and a singlet scalar $S$. This thesis investigates the decay products of $S$, which are different flavour leptons of opposite sign $\ell^{\pm}\ell^{\mp}$, by studying kinematic variables in three well-defined regions at different mass points of $H$ and $S$ with a fixed Standard Model Higgs mass of $m_h = \SI{125}{GeV}$., Den fysiska teori vars uppdrag är att sammanbinda universums mest grundläggande byggstenar är kallad Standardmodellen. Med upptäckten av Higgs bosonen vid partikelacceleratorn Large Hadron Collider, LHC, 2012 så har partikelfysiker ansett standardmodellen som komplett, bortsett från några få men tydliga brister. Potentiella förklaringar på dessa brister läggs under en fysisk kategori med namnet “bortom Standardmodellen”, och det är under denna kategori som denna avhandling tar plats. Uppdraget som LHC har är att kollidera protoner med varandra vid hastigheter nära ljusets och därmed abnormt höga energier. Resultaten av dessa kollisioner slutar vanligtvis i ett hav av olika partiklar i alla möjliga riktningar och med alla möjliga hastigheter och energier. För att ha möjligheten att spåra dessa partiklar så har fyra stycken detektorer med olika inriktningar placerats kring LHCs fyra kollisionspunkter. En av dessa detektorer är ATLAS (A Toroidal LHC ApparatuS) detektorn. När protonerna har kolliderat och dess beståndsdelar antingen sönderfallit till stabila stadier eller skapat nya partiklar, på grund av energin, som sedan sönderfallit till stabila stadier har ATLAS detektorn möjligheten att spåra och kartlägga kollisionen med otrolig precision. Vid kartläggningen av dessa kollisioner har avvikelser upptäckts i de slutgiltiga partikel stadierna. Det är dessa avvikelser som denna avhandling strävar efter att hitta ett svar på med hjälp av data från LHCs senaste driftperiod som tog plats mellan 2015 och 2018. En “bortom Standardmodellen” modell som har möjligheten att lösa detta problem ̈ar en modell som postulerar två nya partiklar relaterade till Higgs bosonen. En av dessa partiklar är en tyngre Higgs boson, och den andra är en skalär partikel som liknar Standardmodellens Higgs boson. Jakten på dessa två partiklar börjar i slutet av partiklarnas resa genom detektorerna, så arbetet handlar om att försöka spåra de nya partiklarnas restprodukter till dem. Olyckligtvis tar