Física (plan 2002) 2024-1
Optativas, Temas Selectos de Física Computacional II
Grupo 8368, 40 lugares. 12 alumnos.
Descubriendo los secretos de las partículas subatómicas con herramientas computacionales e inteligencia artificial
Descubriendo los secretos de las partículas subatómicas con herramientas computacionales e inteligencia artificial
El manejo de programas, bibliotecas y paqueterías enfocado a la investigación teórica, experimental y fenomenológica en física de altas energías (HEP tools) requiere una cantidad considerable de tiempo para su aprendizaje. En la mayoría de los casos la curva de aprendizaje aumenta debido a diversos factores como: la poca documentación disponible de los programas, un nivel mínimo de conocimientos de programación por parte del usuario y el interés por no desertar ante las complicaciones que surjan durante este proceso.
Este curso introductorio tiene como objetivo un primer acercamiento al manejo de HEP tools al familiarizar a los estudiantes con dos líneas de investigación: física computacional y física de altas energías.
Al finalizar el curso, los estudiantes estarán preparados para continuar su formación en el campo de la física de partículas y utilizar de manera efectiva las HEP tools en sus investigaciones y proyectos futuros. Este curso introductorio sienta las bases necesarias para adentrarse en un área emocionante y en constante evolución de la física, donde las herramientas y técnicas de análisis de datos desempeñan un papel crucial en la comprensión del universo a nivel subatómico.
Durante el desarrollo del curso, se ha diseñado un plan de estudios que abarca una amplia variedad de programas, bibliotecas y paqueterías utilizadas en la física de altas energías. Sin embargo, entendemos que los intereses y necesidades de los estudiantes pueden variar. Por lo tanto, estamos abiertos a adaptar el contenido del curso en función del interés particular de los estudiantes hacia algún programa específico.
Si durante el curso surge un mayor interés por parte de los estudiantes hacia un programa en particular dedicaremos más tiempo para explorar con más detalle dicho programa en específico. El objetivo es brindar a los estudiantes la oportunidad de profundizar en sus áreas de mayor interés y que obtengan un conocimiento sólido y aplicable en el campo de la física de partículas.
Por lo tanto, durante el transcurso del curso, estaremos abiertos a discusiones y sugerencias de los estudiantes sobre sus áreas de interés específicas. Trabajaremos juntos para ajustar el enfoque del curso y proporcionar un mayor énfasis en el programa que sea de mayor relevancia e interés para todos los participantes.
No se requiere experiencia previa en programación, solo necesitas tener ganas de aprender.
Forma de Evaluación: Tareas (1 por cada unidad)
Modalidad: En línea (1 clase a la semana, Lunes de 10 am a 1 pm, con sesiones presenciales cuando la ocasión lo amerite )
Correo de contacto: tvalencia@fisica.unam.mx
Dr. Tomás Antonio Valencia Pérez
CONTENIDO
Unidad I: Análisis de datos con ROOT
Objetivo:
Aprender a utilizar ROOT como una herramienta eficiente en el análisis y visualización de datos, tanto en el ámbito de la física de altas energías como en otras disciplinas que requieran el manejo y representación gráfica de información.
• Introducción a ROOT y sus capacidades en el análisis de datos.
• Estructuras de datos en ROOT.
• Procesamiento de datos y aplicaciones estadísticas.
• Ajuste de funciones a datos experimentales.
• Visualización de datos en gráficos 2D y 3D.
• Interacción con otros lenguajes de programación.
• Aplicaciones prácticas en física de altas energías y otras áreas.
Unidad II: Explorando los Misterios del LHC: Herramientas y Análisis para Descubrir Nuevas Partículas
Descripción:
En esta unidad del curso, nos sumergiremos en la emocionante tarea de generar y analizar procesos de colisión estudiados en el Gran Colisionador de Hadrones (LHC), aprovechando al máximo las HEPtools.
Objetivo:
A través de ejemplos prácticos, los estudiantes aprenderán cómo utilizar estas potentes herramientas para estudiar fenómenos subatómicos en el LHC.
Unidad III. Machine Learning en la física de altas energías
Objetivo:
Examinar el panorama actual de Machine Learning y su aplicación en el campo de la física de altas energías, destacando cómo esta disciplina está contribuyendo a nuevos avances y descubrimientos en el estudio de las partículas subatómicas.
Unidad IV. Conclusiones y perspectivas
Objetivo:
Evaluar y reflexionar sobre los conocimientos adquiridos a lo largo del curso, así como explorar las perspectivas futuras de la física de altas energías y las herramientas utilizadas.
Bibliografía
[1] Rene Brun and Fons Rademakers, ROOT - An Object Oriented Data Analysis Framework, Proceedings AIHENP'96 Workshop, Lausanne, Sep. 1996, Nucl. Inst. & Meth. in Phys. Res. A 389 (1997) 81-86.
[2] Alexander Belyaev, Neil D. Christensen, Alexander Pukhov, CalcHEP 3.4 for collider physics within and beyond the Standard Model, Computer Physics Communications, Volume 184, Issue 7, 2013, Pages 1729-1769, ISSN 0010-4655, https://doi.org/10.1016/j.cpc..
[3] Alwall, J., Herquet, M., Maltoni, F. et al. MadGraph 5: going beyond. J. High Energ. Phys. 2011, 128 (2011). https://doi.org/10.1007.
[4] M. A. Arroyo-Ureña, R. Gaitán, and T. A. Valencia-Perez, “SpaceMath version 1.0 A Mathematica package for beyond the standard model parameter space searches”, Rev. Mex. Fis. E, vol. 19, no. 2 Jul-Dec, pp. 020206 1–, Apr. 2022.
[5] Mishra, C. K., & Lenzi, C. H. (2018). Machine learning applications in high-energy physics: A survey. Journal of Physics: Conference Series, 1085(2), 022008. doi:10.1088/1742-6596/1085/2/
[6] Feickert, Matthew and Nachman, Benjamin, A Living Review of Machine Learning for Particle Physics, arXiv:2102.02770 [hep-ph] .
Inicio
Contacto
Mapa del sitio
Directorio
Correo
Tienda Virtual
Ingresar
Facebook
Twitter
Youtube