Automatic Monte-Carlo tuning for minimum bias events at the LHC [Elektronische Ressource] / Sami Kama. Gutachter: Hermann Kolanoski ; Klaus Mönig ; Torbjörn Sjöstrand

Sami Kama

Sujets

• Physik

Informations

• Publié par: humboldt-universitat_zu_berlin
• Publié le: 01 janvier 2011
• Nombre de lectures: 19
• Langue: English
• Poids de l'ouvrage: 10 Mo

Extrait

Automatic Monte-Carlo Tuning for Minimum Bias
Events at the LHC
DISSERTATION
zur Erlangung des akademischen Grades
Doctor Rerum Naturalium
(Dr. rer. nat.)
im Fach Physik
eingereicht an der
Mathematisch-Naturwissenschaftlichen
Fakultät I
Humboldt-Universität zu Berlin
von
Sami Kama
geboren am 18.09.1978 in Biga/Türkiye
Präsident der Humboldt-Universität zu Berlin:
Prof. Dr. Dr. h.c. Christoph Markschies
Dekan der Mathematisch-Naturwissenschaftlichen
Fakultät I:
Prof. Dr. Lutz-Helmut Schön
Gutachter:
1. Prof. Dr. Hermann Kolanoski
2. Dr. Klaus Mönig
3. Prof. Dr. Torbjörn Sjöstrand
eingereicht am: 24.03.2010
Tag der mündlichen Prüfung: 22.06.2010To my Angel.Abstract
The Large Hadron Collider near Geneva Switzerland will ultimately collide pro-
tons at a center-of-mass energy of 14 TeV and 40 MHz bunch crossing rate with
34 −2 −1a luminosity ofL = 10 cm s . At each bunch crossing about 20 soft proton-
proton interactions are expected to happen. In order to study new phenomena and
improve our current knowledge of the physics these events must be understood.
However, the physics of soft interactions are not completely known at such high en-
ergies. Different phenomenological models, trying to explain these interactions, are
implemented in several Monte-Carlo (MC) programs such as PYTHIA, PHOJET
and EPOS. Some parameters in such MC can be tuned to improve the
agreement with the data.
In this thesis a new method for tuning the MC programs, based on Genetic Al-
gorithms and distributed analysis techniques have been presented. This method
represents the first and fully automated MC tuning technique that is based on true
MC distributions. It is an alternative to parametrization-based automatic tuning.
This new method is used in finding new tunes for PYTHIA 6 and 8. These tunes
are compared to the tunes found by alternative methods, such as the PROFESSOR
framework and manual tuning, and found to be equivalent or better. Charged parti-
cle multiplicity, dN /dη, Lorentz-invariant yield, transverse momentum and meanch
transverse momentum distributions at various center-of-mass energies are generated
usingdefaulttunesofEPOS,PHOJETandtheGeneticAlgorithmtunesofPYTHIA
6 and 8. These distributions are compared to measurements from UA5, CDF, CMS
and ATLAS in order to investigate the best model available. Their predictions for
the A detector at LHC energies have been investigated both with generator
level and full detector simulation studies.
Comparison with the data did not favor any model implemented in the generators,
but EPOS is found to describe investigated distributions better. New data from
ATLAS and CMS show higher than expected multiplicities and a faster rise with
the center-of-mass energy in central particle multiplicity.
vZusammenfassung
Der “Large Hadron Collider” am CERN bei Genf in der Schweiz ist gebaut
worden, um Protonen bei einer Schwerpunktsenergie von 14 TeV mit einer Strahl-
34 −2 −1kreuzungsrate von 40 MHz bei einer Luminosität vonL = 10 cm s kollidieren
zu lassen. Bei jeder Strahlkreuzung enstehen dann ca. 20 weiche Proton-Proton-
Wechselwirkungen, deren überlagerte Signale vom Detektor gemessen werden. Diese
Ereignisse müssen so präzise wie möglich verstanden werden, um einerseits neuartige
physikalische Phänomene zu entdecken, andererseits aber dazu beitragen, das Ver-
ständnis bereits bestehender physikalischer Gesetze zu verbessern. Inbesondere ist
die Physik der weichen Wechselwirkungen momentan noch nicht genau verstanden.
Unterschiedliche theoretische Modelle, die versuchen, diese Physik zu beschreiben,
sind in Monte-Carlo (MC) Generatoren wie EPOS, PHOJET und PYTHIA einge-
bunden. Deren Modelle sind auf mannigfaltige Weise parametrisierbar und müssen
mit experimentellen Daten angepasst werden.
In dieser Arbeit wird eine neue Methode, basierend auf genetischen Algorithmen
und verteilten Analysetechniken, vorgestellt, um diese MC-Parameter anzupassen.
Diese Methode stellt einen alternativen Ansatz zu derzeit verfügbaren Methode wie
PROFESSOR dar mit dem Vorteil, dass die Suche nach geeigneten Modellparame-
tern automatisiert ist.
Der Ansatz der genetischen Algorithmen wurde benutzt, um für PYTHIA 6 und
PYTHIA 8 Parameter zu finden, die gut mit bisherigen Messungen übereinstimmen.
Die Ergebnisse wurden mit den MC-Generatoren EPOS und PHOJET und Daten
von UA5 CDF, CMS und ATLAS verglichen, wobei eine Reihe von charakteristi-
schen Verteilungen untersucht wurden wie Multiplizitäts- Spektren geladener Teil-
chen sowie Lozentz-invariante Größen. Auch Vorhersagen für LHC-Energien werden
sowohl auf Generator level als auch nach kompletter ATLAS-Detektor-Simulation
präsentiert.
Datenvergleiche beveoruzugen nicht eindeutig eines der in die Generatoren imple-
mentierten Modelle, jedoch beschreibt EPOS die untersuchten Verteilungen etwas
besser. Neue Daten von ATLAS und CMS zeigen höhere Multiplizitäten als erwartet
und einen schnelleren Anstieg der zentralen Multiplizität mit der Schwerpunktsener-
gie.
viiContents
1. Introduction 1
2. LHC and ATLAS 3
2.1. The Large Hadron Collider . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2. ATLAS Detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2.1. Inner Detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.2. Calorimetry . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.3. Muon Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3. Trigger and Data Acquisition in ATLAS 25
3.1. Level-1 Trigger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.1. Level-1 Muon Trigger . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.1.2. Central Trigger Processor . . . . . . . . . . . . . . . . . . . . . . . 30
3.2. Data Acquisition and High-Level Trigger . . . . . . . . . . . . . . . . . . . 31
3.3. Monitoring of ATLAS Trigger and DAQ . . . . . . . . . . . . . . . . . . . 36
4. Monte-Carlo Programs 43
4.1. The Standard Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2. Event Signatures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3. Reggeons and Pomerons . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4. Monte-Carlo Event generators . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.5. PYTHIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.6. PHOJET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.7. EPOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5. Monte-Carlo Tuning with Genetic Algorithms 59
5.1. Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1.1. CDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.1.2. DØ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.1.3. UA5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.1.4. Implementation of analyses . . . . . . . . . . . . . . . . . . . . . . 69
5.2. Genetic Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3. Application of GA’s to MC Tuning . . . . . . . . . . . . . . . . . . . . . . 72
5.3.1. Generator Module . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.2. Analysis Module . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.3.3. Genetic Algorithm Module . . . . . . . . . . . . . . . . . . . . . . 73
5.3.4. Distribution Module . . . . . . . . . . . . . . . . . . . . . . . . . . 74
ixContents
5.4. Tuning PYTHIA 6 and PYTHIA 8 . . . . . . . . . . . . . . . . . . . . . . 75
5.5. Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6. Data-MC Comparisons 91
6.1. Multiplicities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2. Transverse Momentum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
7. Predictions for LHC energies 107
7.1. Multiplicity distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.2. Transverse Momentum Distributions . . . . . . . . . . . . . . . . . . . . . 110
7.3. Average Transverse Momentum . . . . . . . . . . . . . . . . . . . . . . . . 110
7.4. Full Detector Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8. Conclusions 125
Appendix 127
A. Operational Monitoring Display 129
A.1. OMD Core . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
A.1.1. IS Gatherer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
A.1.2. Storage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
A.1.3. Classifier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
A.1.4. Histogram Producer . . . . . . . . . . . . . . . . . . . . . . . . . . 131
A.1.5. Configurator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
A.2. OMD GUI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
A.2.1. Subscription Editor . . . . . . . . . . . . . . . . . . . . . . . . . . 134
A.2.2. Plots and Tables . . . . . . . . . . . . . . . . . . . . . . . . . .