Simulación de sucesos de colisión utilizando redes generativas adversarias

Trabajo fin de Máster defendido en la Facultad de Ciencias de la Universidad de Cantabria, el 24 de junio de 2022 -Curso 2021-2022 - Máster Interuniversitario en Ciencia de Datos / Master in Data Science (UIMP-UC-CSIC)[EN] Generative adversarial networks (GANs) have been a breakthrough in the field of deep learning generative models. These are two neural networks that compete against each other in a zero-sum game of addition while improving as training progresses, each with the goal of beating the other. From this process it is possible to generate fake samples that mimic the real samples with high quality. The objective of this work is to implement a variant of the traditional GAN, the Wasserstein GAN (WGAN), in the context of high energy physics. The aim is to optimize the WGAN so that it corrects the event simulations in the CMS (Compact Muon Solenoid) experiment of the LHC (Large Hadron Collider) making them closer to the real events.[ES] Las redes generativas adversarias (GANs) han supuesto un gran avance en el campo de los modelos generativos de aprendizaje profundo. Estas son dos redes neuronales que compiten entre ellas en un juego de suma mientras mejoran conforme avanza el entrenamiento, cada una con el objetivo de vencer a la otra. De este proceso se logra generar muestras falsas pero que imitan con gran calidad a las muestras reales. El objetivo de este trabajo es implementar una variante de la GAN tradicional, la Wasserstein GAN (WGAN), en el contexto de la física de altas energías. Se pretende optimizar la WGAN para que corrija las simulaciones de eventos en el experimento CMS (Compact Muon Solenoid) del LHC (Large Hadron Collider) haciéndolas más próximas a los eventos reales.Peer reviewe