• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Применение методов машинного обучения к идентификации частиц в детекторе LHCbMachine Learning for particle identification in the LHCb detector

Члены комитета:
Наумов Алексей Александрович (Национальный исследовательский университет "Высшая школа экономики", кандидат физико-математических наук, председатель комитета), Домиция Орестано (Roma Tre University, PhD, член комитета), Лука Листа (University of Naples Federico II, PhD, член комитета), Стефано Джиагу (Sapienza Università di Roma, PhD, член комитета), Стрижов Вадим Викторович (Московский физико-технический институт (национальный исследовательский университет), доктор физико-математических наук, член комитета)
Диссертация принята к предварительному рассмотрению:
8/18/2020
Диссертация принята к защите:
9/22/2020 (протокол №12)
Дисс. совет:
Совет по компьютерным наукам
Дата защиты:
10/21/2020
Эксперимент LHCb — это ведущий эксперимент по b-физике, реализуемый на Большом адронном коллайдере в ЦЕРНе. LHCb изучает очень редкие явления, поэтому необходимо обрабатывать миллионы столкновения в секунду, чтобы в разумные сроки собрать достаточное для анализа количество данных. Для успеха эксперимента крайне важны программное обеспечение и методы анализа данных. Идентификация частиц  — важнейший инструмент, использованный при получении практически всех  результатов LHCb. Качество идентификации частиц во многом зависит от алгоритмов обработки данных. Данная диссертация направлена на разработку новых методов идентификации частиц на основе последних достижений в области машинного обучения. Предложен новый быстрый алгоритм для идентификации мюонов, использующий только информацию от мюонной подсистемы. Предложен и теоретически обоснован метод, который учитывает априорную информацию о шуме в данных и повышает точность моделей машинного обучения, обученных на зашумленных данных. Такие данные широко используются в физике высоких энергий и, в частности, для разработки методов идентификации мюонов. Предложен метод для  глобальной идентификации частиц, который объединяет информацию от различных подсистем детектора в единый набор переменных. Предложен метод для быстрого Монте-Карло моделирования черенковского детектора на основе генеративно-состязательных сетей.
Диссертация [*.pdf, 18.40 Мб] (дата размещения 8/18/2020)
Резюме [*.pdf, 2.78 Мб] (дата размещения 8/18/2020)
Summary [*.pdf, 2.79 Мб] (дата размещения 8/18/2020)

Отзывы
Отзыв научного руководителя
Сведения о результатах защиты:
Комитет по диссертации рекомендовал присудить ученую степень кандидата наук (протокол № 2 от 21.10.2020). Решением диссертационного совета (протокол № 15 от 26.10.2020) присуждена ученая степень кандидата компьютерных наук.
См. на ту же тему

Оценка вклада онтологической информации в распознавание кореферентных связей на материале русского языкаКандидатская диссертация

Соискатель: Азеркович Илья Леонидович
Руководитель: Толдова Светлана Юрьевна

Генеративные модели для задачи поиска лекарствКандидатская диссертация

Соискатель: Полыковский Даниил Александрович
Руководитель: Ветров Дмитрий Петрович
Дата защиты: 5/20/2021

Численные методы оптимизации для задач большой размерности: неточный оракул и прямо-двойственный анализДокторская диссертация

Соискатель: Двуреченский Павел Евгеньевич
Руководитель: Гасников Александр Владимирович
Дата защиты: 12/28/2020