Wyniki wyszukiwania - BazTech

1

The ATLAS experiment simulations as the computing challenge for the ACK CYFRONET AGH

Kaczmarska A., Malecki P., Szymocha T., Richter-Wąs E.

Computer Science

|

2008

|

Vol. 9

47-54

EN

The present High Energy Physics (HEP) experiments require unprecedented amount of computing power and storage space. We present the WLCG structure of the LHC computing, which will be used to perform data processing required by the ATLAS collaboration. We also describe the ATLAS detector full simulation chain. Finally, we quantify the computing needs and up-to-date usage of the ACK CYFRONET AGH resources by the ATLAS detector simulations.

PL

Obecne eksperymenty fizyki wysokich energii wymagają niespotykanej mocy obliczeniowej i przestrzeni do przechowywania danych. Prezentujemy strukturę WLCG obliczeń LHC, która będzie użyta do przetwarzania danych na potrzeby współpracy ATLAS. Opisujemy również pełny łańcuch symulacji detektora ATLAS. Na zakończenie, przedstawiamy potrzeby obliczeniowe i aktualne użycie zasobów ACK CYFRONET AGH przez symulacje detektora ATLAS.

2

The ATLAS experiment on-line monitoring and filtering as an example of real-time application

Korcyl K., Szymocha T., Funika W., Kitowski J., Słota R., Bałos K., Dutka Ł., Guzy K., Kryza T., Pieczykolan J.

Computer Science

|

2008

|

Vol. 9

77-86

EN

The ATLAS detector, recording LHC particles' interactions, produces events with rate of 40 MHz and size of 1.6 MB. The processes with new and interesting physics phenomena are very rare, thus an efficient on-line filtering system (trigger) is necessary. The asynchronous part of that system relays on few thousands of computing nodes running the filtering software. Applying refined filtering criteria results in increase of processing times what may lead to lack of processing resources installed on CERN site. We propose extension to this part of the system based on submission of the real-time filtering tasks into the Grid.

PL

Detektor ATLAS, rejestrujący zderzenia protonów rozpędzanych w zderzaczu LHC, będzie generował przypadki o rozmiarze 1.6MB z częstotliwością 40MHz. Aby wyselekcjonować bardzo rzadko występujące przypadki z interesującymi oddziaływaniami fizycznymi, konieczne będzie zastosowanie wydajnego systemu filtracji (trigger). Część asynchroniczna takiego systemu wykorzystuje kilka tysięcy komputerów, na których wykonywane jest oprogramowanie filtrujące. Zwiększenie selektywności systemu wymaga zwiększenia czasu procesowania, co może doprowadzić do wyczerpania zasobów komputerowych zainstalowanych w CERN-ie. Proponujemy rozszerzenie tej części systemu poprzez umożliwienie wykonywania oprogramowania filtrującego w czasie rzeczywistym na komputerach w środowisku gridowym.

3

Optimization of tau indentification in ATLAS experiment using multivariate tools

Janyst Ł., Kaczmarska A., Szymocha T., Wolter M., Zemła A.

Computer Science

|

2008

|

Vol. 9

35-45

EN

Elementary particle physics experiments, which search for very rare processes, require the efficient analysis and selection algorithms able to separate a signal from the overwhelming background. Four learning machine algorithms have been applied to identify τ leptons in the ATLAS experiment: projective likelihood estimator (LL), Probability Density Estimator with Range Searches (PDE-RS), Neural Network, and the Support Vector Machine (SVM). All four methods have similar performance, which is significantly better than the baseline cut analysis. This indicates that the achieved background rejection is close to the maximal achievable performance.

PL

W eksperymentach fizyki wysokich energii, poszukujących bardzo rzadkich procesów, dużego znaczenia nabierają algorytmy umożliwiające separację sygnału od przeważającego tła. Cztery algorytmy uczące się na przykładach zostały zastosowane do identyfikacji leptonów tau w eksperymencie ATLAS: rzutowane rozkłady prawdopodobieństw (projective likelihood estimator - LL), PDE-RS (Probability Density Estimator with Range Searches), sieć neuronowa oraz maszyna wektorów wspierających (SVM). Algorytmy te mają zbliżone wydajności znacząco lepsze od standardowej analizy z użyciem cięć. Sugeruje to, że osiągnięte wydajności są bliskie maksymalnej osiągalnej granicy.