Real-time anomaly detection using Reinforcement Learning at LHCb CERN experiment

Abstract

[ES] Esta tesis se centra en el desarrollo e implementación de un sistema de detección de anomalías en tiempo real utilizando técnicas de reinforcement learning en el contexto del experimento LHCb (Large Hadron Collider beauty). El experimento LHCb se lleva a cabo en el CERN (Organización Europea para la Investigación Nuclear) y tiene como objetivo explorar el comportamiento de las partículas que contienen quarks del tipo beauty. La detección de anomalías juega un papel crucial para asegurar la integridad de los datos recogidos durante estos experimentos, ya que identificar una anomalía significa la presencia de errores en los sub-detectores o en las condiciones de operación del experimento. Así, esta tesis explora la aplicación de algoritmos de reinforcement learning para la detección de anomalías en tiempo real con el fin de mejorar la eficiencia y la precisión en la detección de eventos anómalos, contribuyendo de esta manera a la fiabilidad de los datos recogidos.

[EN] This thesis focuses on the development and implementation of a real-time anomaly detection system using reinforcement learning techniques within the context of the LHCb (Large Hadron Collider beauty) experiment. The LHCb experiment is conducted at CERN (European Organization for Nuclear Research) and aims to explore the behaviour of particles containing beauty quarks. Anomaly detection plays a crucial role in ensuring the integrity of the data collected during these experiments since identifying an anomaly means the presence of errors in the sub-detectors or in the operating conditions of the experiment. Thus, this thesis explores the application of reinforcement learning algorithm for real-time anomaly detection in order to enhance the efficiency and accuracy of detecting anomalous events, ultimately contributing to the reliability of the data collected.