Date of Award

Summer 8-2025

Document Type

Dissertation

Degree Name

Doctor of Philosophy (PhD)

Department

Computer Science

Program/Concentration

Computer Science

Committee Director

Yaohang Li

Committee Member

Ravi Mukkamala

Committee Member

Frank Liu

Committee Member

Lusi Li

Committee Member

Nobuo Sato

Abstract

Advancements in artificial intelligence (AI) have revolutionized high-energy physics by enabling generative models to address key detector-related Challenges. This work explores the generative model to mitigate smearing, acceptance, and inefficiency in particle detectors, enhancing experimental precision.

We present a generative model-based framework to model and correct detector distortions. Using the Jefferson Lab CLAS g11 experiment as a case study, our approach successfully unfolds detector effects in multi-particle final states while preserving multidimensional correlations despite complex reaction mechanisms. A key focus is addressing the acceptance problem—accurately modeling detector acceptance without computationally expensive simulations. By training generative model-based framework on simulated detector data, we generate synthetic distributions that match both measured and unmeasured data, providing an efficient alternative for acceptance corrections. Our approach extends to multiple topologies, shifting from reconstructing unmeasured events to generating events across the full phase space, ensuring accurate reproduction even in regions with restricted acceptance.

We further address detector inefficiency, which arises when detector components fail to register particle attributes correctly. Our framework integrates all detector effects—smearing, acceptance, and inefficiency—into a single model, unfolding them to recover vertex-level distributions.

Additionally, we develop generative models-based surrogate modeling framework to overcome the computational and analytical challenges of traditional theory-driven approaches in event-level analysis. By replacing complex quantum correlation function (QCF) models with generative AI based surrogates, including both Generative Adversarial Networks (GANs) and Diffusion Models (DMs), the proposed framework enables efficient generation of synthetic event-level data directly from QCD parameters. Moreover, this approach facilitates parameter inference by learning the mappings between theoretical parameters and observable data, bypassing the gradient calculation challenges of directly incorporating the QCF model into solving QCD inverse problems.

Our results demonstrate the feasibility of generative models in improving detector performance, the capability of generative models-based surrogates to accurately replicate theoretical models and reconstructing QCFs from experimental data, and the enhancing of data accuracy in high-energy physics, opening avenues for broader applications.

Comments

Title (Arabic): إزالة تأثيرات كاشف الجسيمات وحل مشكلة العكس في الكروموديناميكا الكمومية باستخدام الذكاء الاصطناعي التوليدي

Abstract (Arabic)

أحدثت التقدّمات في الذكاء الاصطناعي ثورة في فيزياء الطاقة العالية من خلال تمكين النماذج التوليدية من معالجة التحديات الرئيسية المرتبطة بكاشف الجسيمات. تستكشف هذه الدراسة استخدام النماذج التوليدية للتخفيف من آثار التمويه، وقبول الكاشف، وعدم الكفاءة في كواشف الجسيمات، مما يُحسّن من دقة القياسات التجريبية. نُقدّم إطارًا قائمًا على النماذج التوليدية لنمذجة وتصحيح تشوهات الكاشف. وباستخدام تجربة في مختبر جيفرسون كدراسة حالة، ينجح منهجنا في إزالة تأثيرات الكاشف في الحالات النهائية متعددة الجسيمات مع الحفاظ على الارتباطات متعددة الأبعاد، على الرغم من تعقيد آليات التفاعل. يتمثل أحد المحاور الأساسية في معالجة مشكلة القبول بدقة—أي نمذجة قبول الكاشف دون الحاجة إلى عمليات محاكاة باهظة حسابيًا. ومن خلال تدريب الإطار التوليدي على بيانات كاشف مُحاكاة، نقوم بتوليد توزيعات تركيبية تتوافق مع البيانات المقيسة وغير المقيسة، مما يوفر بديلاً فعالًا لتصحيحات القبول. يمتد منهجنا ليشمل طوبولوجيات متعددة، منتقلاً من إعادة بناء الأحداث غير المُقاسة إلى توليد الأحداث عبر فضاء الحالة بالكامل، بما يضمن إعادة إنتاج دقيقة حتى في المناطق ذات القبول المحدود. كما نُعالج في هذه الدراسة مشكلة عدم كفاءة الكاشف، التي تنشأ عند فشل مكونات الكاشف في تسجيل خصائص الجسيمات بشكل صحيح. ويقوم إطار العمل لدينا بدمج جميع تأثيرات الكاشف—التمويه، والقبول، وعدم الكفاءة—ضمن نموذج واحد، ويزيلها لاستعادة التوزيعات على مستوى نقطة التفاعل. بالإضافة إلى ذلك، نطور إطارًا كنموذج بديل يعتمد على نماذج الذكاء الاصطناعي التوليدية، للتغلب على التحديات الحسابية والتحليلية التي تواجه الأساليب التقليدية المستندة إلى النظريات في تحليل الأحداث. ومن خلال استبدال نماذج دوال الترابط الكمي المعقدة بنماذج توليدية بديلة تعتمد على الذكاء الاصطناعي—بما في ذلك الشبكات التوليدية التنافسية ونماذج الانتشار —يُمكّن الإطار المقترح من توليد بيانات تركيبية على مستوى الحدث مباشرةً من المعلمات. وعلاوة على ذلك، يُسهّل هذا النهج استدلال المعلمات من خلال تعلّم العلاقات بين المعلمات النظرية والبيانات المرصودة، متجاوزًا تحديات اشتقاق التدرجات اللازمة لإدراج نماذج مباشرة في حل مشكلات العكس. تُظهر نتائجنا جدوى النماذج التوليدية في تحسين أداء الكاشف، وقدرتها على محاكاة النماذج النظرية بدقة، وإعادة بناء دوال الترابط الكمي من البيانات التجريبية، وتعزيز دقة البيانات في فيزياء الطاقة العالية، مما يفتح آفاقًا واسعة لتطبيقات مستقبلية.

Rights

In Copyright. URI: http://rightsstatements.org/vocab/InC/1.0/ This Item is protected by copyright and/or related rights. You are free to use this Item in any way that is permitted by the copyright and related rights legislation that applies to your use. For other uses you need to obtain permission from the rights-holder(s).

DOI

10.25777/srs7-6135

ISBN

9798293843428

ORCID

0000-0002-5640-3824

Download

Share

COinS