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

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.