Data science and machine learning applied to accelerator physics problems

Abstract

Современные исследования в физике элементарных частиц являются дорогостоящими, ресурсоемкими и высокотехнологичными процессами. Проведение подобных исследований в настоящее время сильно зависит от методов машинного обучения и интеллектуального анализа данных. В данной работе продемонстрировано применение таких методов машинного обучения, как градиентный и адаптивный бустинг, в решении задачи классификации частиц, и Байесовская оптимизация с Гауссовскими процессами для оптимизации строения детектора.

Modern research in particle physics is an expensive, resource-intensive and high-tech process. Such research is dependent on machine learning and data science. In this thesis, such machine learning methods as gradient boosting and adaptive boosting are used for the particle classification problem. The Bayesian optimization with Gaussian processes is used for the detector structure optimization.