Examensarbeten för kandidatexamen
Länka till denna samling:
Browse
Senast publicerade
Visar 1 - 5 av 94
- PostKvantmekanisk sammanflätning i nukleon-nukleonspridning(2023) ABRAHAMSSON, LUCAS; CAVALLIN, ALMA; HANEBRING, LISE; HANSEN, HAMPUS; KARLSSON ÖHMAN, ERIK; LEO; Chalmers tekniska högskola / Institutionen för fysik; Chalmers University of Technology / Department of Physics; Swenson, Jan; Forssén, Christian; Thim, OliverThe following report studies the quantum entanglement phenomenon analytically and numerically. Spe cifically, the degree to which the scattering operators S and M entangle a neutron and a proton with respect to spin during a scattering process is investigated. The M matrix is computed analytically, using a low-energy approximation considering only s-waves, as well as numerically. This study differentiates itself from prior research by investigating entanglement based on the M ope rator instead of the S operator. The numerical calculation of M is possible without making the s-wave approximation, thus resulting in a more realistic model where it is possible to analyze higher energies and the scattering angle dependence. Numerical calculations are performed using provided code, and the convergence of the calculations with respect to partial waves and sampling points is analyzed. Entanglement measures are calculated nume rically using various methods, including Monte Carlo integration, which is implemented in Python. Two entanglement measures are presented and compared, and the entanglement power is then used to inve stigate entanglement in nucleon-nucleon scattering. The study establishes that there is no combination of kinetic energy and scattering angle that yields a fully entangled final state in spin space for all pos sible initial states. Similarly, there is no combination of kinetic energy and scattering angle that yields a non-entangled final state for all possible initial states. The entanglement power of the analytic S and M operators is investigated. It is found that the entang lement power for M converges to a non-zero value in the low-energy limit, which is also observed in the numerical results. The entanglement power of the analytically derived M matrix is compared with the numerically calculated one and shows good agreement for energies up to a few MeV. The analytical expression of M establishes that no entanglement occurs in the interaction at very low energies if the nucleons initially have parallel spins. This is also verified in the numerical results for specific initial states.
- PostHiggsbosonen bortom standardmodellen(2023) Axelsson, Joel; Ibrahim, Muhammad; Rhodin, Maja; Babayev, Emil; Nilsson, Joel; Utterström, Markus; Chalmers tekniska högskola / Institutionen för fysik; Chalmers University of Technology / Department of Physics; Swenson, Jan; Banerjee, Avik; Ferretti, GabrieleThe Standard Model is the current theory that describes interactions between ele mentary particles. While greatly successful, it does not give a complete description of the universe. Thus, attempts to construct a more complete theory is one of the main driving forces in high-energy physics. In this report, four possible extensions of the physics in the Higgs sector of the Standard Model are studied, namely the scalar singlet model, the composite Higgs model, the two Higgs doublet model, and the Higgs portal dark matter model. In the report, it is investigated how their pa rameters are constrained by experimental data from CERN’s particle accelerator LHC. The investigation is carried out through maximum likelihood estimation of the parameters and Monte Carlo Markov chain analysis. The Bayesian posterior distri butions are presented for the parameter values and show that the Standard Model is still compatible with the results, but for some parameters, the current data al lows deviations from the Standard Model values up to 25 %. The results allow up to 8 % of the Higgs boson to decay to dark matter, which means that a possible coupling strength between dark matter and the Higgs boson is limited to 0.1. The scalar singlet can mix with the Higgs boson up to 18 %. The composite Higgs model can be falsified up to an energy of 1.1 TeV. In the two-Higgs doublet model, a se cond doublet cannot be excluded, and a scenario where the second doublet does not couple to the Standard Model is possible. Overall, the result indicates that the data from LHC is compatible with the Standard Model.
- PostKompilera kvantdatorkod med förstärkningsinlärning(2022) Strandby, Carl; Jacobson Mo, Nils; Lindahl, Emrik; Einarsson, Kári; Chalmers tekniska högskola / Institutionen för fysik; Chalmers University of Technology / Department of Physics; Falk, Lena; Granath, MatsKvantdatorer förutspås kunna lösa vissa beräkningsintensiva problem som klassiska digitala datorer idag inte kan lösa inom en rimlig tidsram. Ett problem med att exekvera kvantkod är att informationen på en kvantbit har en begränsad livslängd. Det är därför viktigt att exekveringen sker med så få kvantgrindar som möjligt. Kvantdatorns kompilator är också begränsad till att endast exekvera kvantgrindar på kvantbitstillstånd som är länkade på kretsens fysiska arkitektur. Därför behöver kompilatorn tillföra SWAP-grindar för att byta plats på kvantbitstillstånden. Detta tillför exekveringstid och placeringen av dessa SWAP-grindar kan ofta göras på många olika sätt, vilket gör att det är svårt att beräkna en optimal placering. Syftet med detta kandidatarbete är därför att utforska om placering av SWAP-grindar kan utföras med en formulering av djup förstärkningsinlärning som värderar tillstånd istället för handlingar. Projektet har utförts genom att programmera en miljö för djup förstärkningsinlärning utifrån en matrisrepresentation av kvantkod och kvantkretsar. Ett artificiellt neuralt nätverk av faltningstyp har designats för att läsa in ett framtida möjligt tillstånd för en kvantkrets och värdera detta. Förstärkningsinlärningsagenten använder sedan denna värdering för att välja hur den ska placera SWAP-grindar. Förstärkningsinlärningsmodellen bygger på den öppna programvaran Stable Baseline3 som använder OpenAI Gym för miljön och PyTorch för att konstruera faltningsnätverket. Modellen användes sedan för att träna två förstärkningsinlärningsagenter för två olika storlekar av kvantkretsar. Agenterna testades sedan och lyckades med att göra en representation av kvantkod exekverbar. Deras resulterande kvantkod uppmättes dessutom endast vara något sämre än kvantbitdirigeringsprogrammet TKET. Detta antyder att värdering av kvantkretstillstånd med neurala nätverk mycket väl skulle kunna användas för att dirigera kvantbitar.
- PostDjupdykning med djupinlärning Artificiella neuronnät jämförda med addback-algoritmen för detektorrekonstruktion av γ-fotoner(2022) JUHLIN ONBECK, ALFRED; JOHANSSON, BJÖRN; SHAFIQ AHLGREN, GABRIEL; TEPP, ISABELLA; Chalmers tekniska högskola / Institutionen för fysik; Chalmers University of Technology / Department of Physics; Swenson, Jan; T Johansson, HåkanTolkning av detektordata kan vara invecklat och är inte alltid entydigt. Hur γ-fotoner in teragerar med materia skiljer sig från hur laddade partiklar gör det. Spridningar av olika slag gör att detektion av fotoner blir komplex, i synnerhet att karaktärisera varje indivi duell foton, och inte bara den totala deponerade energin. För att urskilja multipliciteten, energin och riktningen hos γ-fotoner krävs detaljerad rekonstruktion av detektordata. Denna studie är en vidareutveckling av tidigare kandidatarbeten med målet att utveck la artificiella neuronnät som överträffar dagens konventionella rekonstruktionsalgoritm, addback. Olika typer av neuronnät har undersökts där deras strukturer och hyperpara metrar varierats och utöver detta har också residualnätverket ResNeXt implementerats. Alla nätverk har tränats på data som är simulerad med hjälp av GEANT4, ggland och ROOT. Datan efterliknar verkliga mätningar av isotropiska γ-fotoner med Darmstadt Heidelberg-kristallbollen. Att träna artificiella neuronnät är en iterativ process. För alla resultat som visas har flera körningar gjorts för samma datapunkt för att verifiera att resultaten är reproducerbara och inte bara slumpmässiga eller lyckosamma. Träningen kan sedan upprepas med varierande parametrar för att optimera dem. Detta multiparameterproblem är en av anledningarna till varför träningen av artificiella neuronnät är väldigt komplex. Prestandautvärderingen är utformad så att resultaten kan jämföras med addback. Med hjälp av detta har mer detaljerade studier gjorts angående om det finns skillnader i hur väl de olika metoderna rekonstruerar för olika typer av händelser. Neuronnäten som tränats i detta arbeta överträffar de från tidigare arbeten. För de ener giintervall som neuronnäten är tränade på, 0,1 MeV − 10 MeV, presterar de även bättre än addback. Alla de tre typer av nätverk som optimerats, fullt kopplade nätverk (FCN), faltande nätverk (CNN) och ResNeXt, hade lägre fel än addback när de tränats på data i detta intervall. För andra intervall, 0,1 MeV − 15 MeV, som nätverken inte var tränade för presterar addback fortfarande bättre.
- PostBiomekanisk 3D-visualisering för löpare Markörlös optisk rörelsefångst genom artificiell intelligens(2022) Barac, Tijana; Boström, Alexander; Lövgren, Lisa; Rydehag, Erik; Svensson, Richard; Ånestrand, Alvin; Chalmers tekniska högskola / Institutionen för fysik; Falk, Lena; Karlsteen, Magnus; Sarovic, DarkoI löpning är löparens hållning och ledvinklar avgörande för prestation och biomekanisk modellering är därför användbart för rörelseanalys. Då en tränare bedömer en löpares teknik kan tränaren spela in löparen för att sedan analysera videon. Utan externa verktyg begränsas tränarens analys av videon då bedömning av många ledvinklar är svåra eftersom videon är tvådimensionell. I arbetet har data på personers rörelsemönster, i form av koordinater för utvalda nyckelpunkter, samlats in och artificiella neuronnätverk har nyttjas för att genomföra rörelsefångst baserat enbart på videodata. Utifrån en video på en löpande person kan nyckelpunkters positioner förutsägas i 3D med en genomsnittlig avvikelse på 115 millimeter i samtliga led, och datan kan användas för beräkning av ledvinklar. Löpningen visualiseras i en webbapplikation skapad för användarvänlighet och som utnyttjar neuronnätverket. Webapplikationen har en interaktiv design och genom att ladda upp en video över en löpsekvens fås en intuitiv förståelse för löparens rörelse i varje tidpunkt. Det finns även möjligheter för vidareutveckling av produkten gällande applicering på och analys av andra typer av rörelser.