Aviso: para depositar documentos, por favor, inicia sesión e identifícate con tu cuenta de correo institucional de la UCM con el botón MI CUENTA UCM. No emplees la opción AUTENTICACIÓN CON CONTRASEÑA Disculpen las molestias.
 

Aplicación de técnicas de aprendizaje automático en Física de Astropartículas

dc.contributor.advisorContreras González, José Luis
dc.contributor.advisorNieto Castaño, Daniel
dc.contributor.authorMartínez Ciriza, Íñigo
dc.date.accessioned2025-05-20T16:02:30Z
dc.date.available2025-05-20T16:02:30Z
dc.date.issued2024
dc.degree.titleGrado en Física
dc.description.abstractLa Física de Astropartículas está experimentando en los últimos años un rápido crecimiento en el tamaño y complejidad de los datos registrados. Por ello, las técnicas de aprendizaje automático se están utilizando cada vez más frecuentemente con el fin de analizar y extraer conclusiones de la ingente cantidad de datos obtenidos. En este trabajo se aplican algunas de las técnicas de aprendizaje automático a datos reales y simulados recogidos por un telescopio prototipo de CTA (Cherenkov Telescope Array), el LST-1. A partir del uso de estas técnicas se estudia su eficiencia a la hora de distinguir sucesos creados por hadrones o rayos gamma. También se estudian las diferencias entre los sucesos simulados y los reales, para analizar cómo se pueden mejorar las simulaciones y encontrar así las debilidades de los modelos.
dc.description.abstractParticle Astrophysics is experiencing in the last years a rapid growth in registered data size and complexity. Machine learning techniques are being used more frequently to analyse and obtain conclusions on the enormous amount of data obtained. In this work, some machine learning techniques are applied to real and simulated data of a prototype CTA (Cherenkov Telescope Array) telescope, the LST-1. These techniques are used to study the efficiency in distinguishing events initiated by hadrons or gamma rays, and to discern differences between real and simulated events aiming to improve simulations and therefore find the model weaknesses.
dc.description.departmentDepto. de Estructura de la Materia, Física Térmica y Electrónica
dc.description.facultyFac. de Ciencias Físicas
dc.description.refereedTRUE
dc.description.statusunpub
dc.identifier.urihttps://hdl.handle.net/20.500.14352/120282
dc.language.isospa
dc.page.total20
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internationalen
dc.rights.accessRightsopen access
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.cdu52
dc.subject.cdu53
dc.subject.keywordAprendizaje automático
dc.subject.keywordAstropartículas
dc.subject.keywordRandom Forest
dc.subject.keywordCTA
dc.subject.keywordHadrones
dc.subject.keywordRayos gamma
dc.subject.keywordParámetros de Hillas
dc.subject.keywordCascada Atmosférica Extensa
dc.subject.keywordSimulación de Monte Carlo
dc.subject.keywordMachine Learning
dc.subject.keywordAstroparticles
dc.subject.keywordRandom Forest
dc.subject.keywordHadrons
dc.subject.keywordGamma rays
dc.subject.keywordHillas parameters
dc.subject.keywordExtensive Air Shower
dc.subject.keywordMonte Carlo Simulation
dc.subject.ucmAstronomía (Física)
dc.subject.ucmFísica (Física)
dc.subject.unesco21 Astronomía y Astrofísica
dc.titleAplicación de técnicas de aprendizaje automático en Física de Astropartículas
dc.titleApplication of machine learning techniques to Particle Astrophysics
dc.typebachelor thesis
dc.type.hasVersionAM
dspace.entity.typePublication
relation.isAdvisorOfPublication6a14529e-a65e-4709-9bc1-61f9429841c1
relation.isAdvisorOfPublication60928160-a862-4814-a08f-4d80c6a1cdab
relation.isAdvisorOfPublication.latestForDiscovery6a14529e-a65e-4709-9bc1-61f9429841c1

Download

Original bundle

Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
Martínez_Ciriza_Iñigo.pdf
Size:
3.86 MB
Format:
Adobe Portable Document Format