Применения методов машинного обучения в эксперименте JUNO
Диплом

Использование методов машинного обучения и в частности глубинных нейронных сетей вызывает растущий интерес в физике элементарных частиц. Данные методы позволяют в некоторых случаях добиваться классификации и реконструкции событий с точностью, превосходящей классический подходы. Например, в экспериментах NOνA, SuperKamiokande использование машинного обучения для отбора событий позволило увеличить эффективность и чистоту отбора событий.

Центральный детектор в эксперименте JUNO представляет собой сферу диаметром 34.5 метра, покрытую 18000 фотоэлектронных умножителей (ФЭУ) и заполненную жидким сцинтиллятором.  Каждое событие в детекторе можно представить в виде монохромного изображения на сфере из 18000 пикселей (один пиксель соответствует заряду, собранному на одном ФЭУ) или последовательности изображений.  Применение методов машинного обучения к анализу и классификации таких изображений представляется многообещающим.

Данная тема включает следующий возможные задачи:

  • Одновременная реконструкция положения события (вспышки света) и его энергии.

  • Классификация мюонных треков в центральном детекторе для отделения двойных треков, представляющих сложность для классических алгоритмов реконструкции.

  • Улучшение реконструкции мюонных треков в центральном детекторе — хорошая реконструкция мюонов критична для эксперимента.

  • Кластеризация событий от распадов углерода-14, случающихся в триггерном окне со взаимодействием антинейтрино, с использованием пространственно-временной информации.

  • Разработка методов ускорения Монте-Карло моделирования с помощью GAN [arXiv:1705.02355].

  • Разработка методов отбора событий обратного бета-распада и подавления фоновых событий.

Предполагаемый технологический и математический стек:

  • Методы машинного обучения: свёрточные нейронные сети; градиентно-бустованные решающие деревья; другие методы предложенные студентами.

  • Python: стандартный научный стек (numpy, scipy, matplotlib), библиотеки машинного обучения (scikit-learn, TensorFlow).

  • С++: работа с JUNO Offline Framework, ROOT6, Geant4.

К обязательным требованиям относятся:

  • Документация кода в doxygen, пользовательская документация в reStructuredText.

 

JUNO, Монте-Карло моделирование, машинное обучение, глубинное обучение, реконструкция, разработка ПО