Tesis de licenciatura en física de altas energías: distinguir jets iniciados por quarks de jets iniciados por gluones en colisiones pp a √s = 13 TeV, usando una red neuronal profunda entrenada sobre datos abiertos del experimento CMS (CERN Open Data).
📄 Documento completo: Tesis_Altas_Energias_Tiznado_Moya.pdf
| Archivo | Contenido |
|---|---|
root.ipynb |
Lectura de archivos .root (formato CERN) con PyROOT. Recorre el árbol AK4jets/jetTree, levanta todas las ramas y dibuja histogramas comparativos quark vs. gluón sobre un mismo canvas (11 × 7). |
plots_divididos.ipynb |
Versión modular del análisis exploratorio: usa TChain para concatenar varias muestras y genera los histogramas por variable en archivos separados. |
DNN_TIZNADOMOYA.ipynb |
Pipeline completo de la red: carga de los .h5 (preprocesados a partir de los .root), construcción del modelo en Keras (Sequential + Dense + Dropout, optimizador Nadam), búsqueda de hiperparámetros con keras_tuner (RandomSearch y GridSearch), entrenamiento con EarlyStopping, y evaluación con curva ROC, AUC y matriz de confusión. |
- Origen: CMS Open Data, muestra
JetNtuple_RunIISummer16_13TeV_MC_*.root. - Etiqueta de verdad: la rama
isPartonUDSdel árbol distingue jets de quarks ligeros (u/d/s) de jets de gluones. - Features: las variables cinemáticas y de subestructura del jet expuestas por
AK4jets/jetTree(energía, multiplicidad de constituyentes, fracciones de pT, etc.).
- Análisis de datos CERN:
ROOT/PyROOT,h5py - ML:
tensorflow.keras,keras_tuner,scikit-learn - Manipulación / visualización:
pandas,numpy,matplotlib
Los notebooks asumen rutas locales a los archivos .root y .h5 (descargables desde CERN Open Data Portal). Edita las constantes filepath al inicio de cada notebook antes de ejecutarlo.
# Dependencias Python
pip install tensorflow keras-tuner h5py pandas scikit-learn matplotlib
# PyROOT se instala junto con ROOT (https://root.cern/install/)