📄Работа №128012
Тема: Разработка системы локального трекинга в коллайдерных экспериментах с применением методов глубокого обучения
Тип работы
Магистерская диссертация
Предмет
информатика
Объем:
90 листов
Год:
2020
Просмотров:
182
4850
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
Постановка задачи 6
Глава 1. Трековые детекторы 8
1.1. Эксперимент BESIII 12
1.2. Эксперимент BM@N мегапроекта NICA 14
Глава 2. Обзор литературы 18
2.1. Метод конформного отображения 19
2.2. Преобразование Хафа 20
2.3. Метод прослеживания по дорожке 20
2.4. Подгонка треков методом наименьших квадратов 21
2.5. Фильтр Калмана 23
2.6. Клеточный автомат для поиска трек-кандидатов 27
2.7. Нейронные сети Хопфилда 29
2.8. Эластичные нейронные сети 31
2.9. Глубокие нейронные сети 32
Глава 3. Разработка модели TrackNETv3 для локального трекинга 36
3.1. Применение TrackNETv2 к данным коллайдерных экспериментов
на примере BESIII 36
3.2. Разработка классификатора треков-кандидатов 37
3.2.1. Классификатор на основе внутренних признаков TrackNETv2 38
3.2.2. Классификатор на основе координат трека 39
3.3. Процедура обучения 40
Глава 4. Разработка программного решения 43
4.1. Используемые технологии. библиотека Ariadne 43
4.2. Разработка модуля трансформаций 45
4.3. Проектирование стадии подготовки данных 48
4.4. Разработка стадии инференса 49
Глава 5. Подготовка данных 52
5.1. Подготовка данных для тестирования и тренировки 52
5.2. Подготовка данных для классификатора 54
Глава 6. Эксперименты и результаты 56
6.1. Оценка результатов трекинга 56
6.2. Сравнение результатов экспериментов 58
6.2.1. BESIII 58
6.2.2. BM@N 61
6.3. Анализ результатов 62
Заключение 66
Список источников 68
Приложение 1 Листинги трансформаций 73
Приложение 2. Листинги подготовки данных 89
Приложение 3. Листинги моделей 92
Приложение 5. Листинги инференса 95
Постановка задачи 6
Глава 1. Трековые детекторы 8
1.1. Эксперимент BESIII 12
1.2. Эксперимент BM@N мегапроекта NICA 14
Глава 2. Обзор литературы 18
2.1. Метод конформного отображения 19
2.2. Преобразование Хафа 20
2.3. Метод прослеживания по дорожке 20
2.4. Подгонка треков методом наименьших квадратов 21
2.5. Фильтр Калмана 23
2.6. Клеточный автомат для поиска трек-кандидатов 27
2.7. Нейронные сети Хопфилда 29
2.8. Эластичные нейронные сети 31
2.9. Глубокие нейронные сети 32
Глава 3. Разработка модели TrackNETv3 для локального трекинга 36
3.1. Применение TrackNETv2 к данным коллайдерных экспериментов
на примере BESIII 36
3.2. Разработка классификатора треков-кандидатов 37
3.2.1. Классификатор на основе внутренних признаков TrackNETv2 38
3.2.2. Классификатор на основе координат трека 39
3.3. Процедура обучения 40
Глава 4. Разработка программного решения 43
4.1. Используемые технологии. библиотека Ariadne 43
4.2. Разработка модуля трансформаций 45
4.3. Проектирование стадии подготовки данных 48
4.4. Разработка стадии инференса 49
Глава 5. Подготовка данных 52
5.1. Подготовка данных для тестирования и тренировки 52
5.2. Подготовка данных для классификатора 54
Глава 6. Эксперименты и результаты 56
6.1. Оценка результатов трекинга 56
6.2. Сравнение результатов экспериментов 58
6.2.1. BESIII 58
6.2.2. BM@N 61
6.3. Анализ результатов 62
Заключение 66
Список источников 68
Приложение 1 Листинги трансформаций 73
Приложение 2. Листинги подготовки данных 89
Приложение 3. Листинги моделей 92
Приложение 5. Листинги инференса 95
📖 Введение
В современном мире всё чаще возникают исследовательские задачи, требующие массивного использования экспериментальной и вычислительной техники. Такие задачи производят огромные объемы данных, которые необходимо правильно обрабатывать и интерпретировать. В результате, работа с большим данными играет одну из ключевых ролей в современных исследованиях, поэтому разработка быстрых и точных систем обработки информации становится всё более актуальной. Так, существующие на сегодняшний день эксперименты в области физики высоких энергий, производят гигантские потоки информации, достигшие уже экзабайтного уровня, и поэтому требуют специальных компьютерных и сетевых систем для распределенного сбора, фильтрации и обработки данных [1].
Один из методов наблюдения и изучения внутренней структуры вещества на самом низком уровне заключается в ускорении частиц вещества с последующим соударением с помощью специальных установок - коллайдеров, или ускорителей частиц. Современная физика достигла значительных успехов с помощью высокоэнергетических экспериментов, выполненных на ускорителях и коллайдерах, таких как HERA, LEP, SLC, Tevatron и др. Одним из самых известных коллайдеров является Большой адронный коллайдер (БАК), известность которому принес впечатляющий масштаб проводимых экспериментов , особенно эксперименты CMS и ATLAS, результаты которых по обнаружению бозона Хиггса были удостоины Нобелевской премии за 2012 год [2].
Другая немаловажная область исследований, кроме адрон-адронных и электрон-позитронных столкновений, - это изучение процессов столкновений ядер тяжелых ионов. В настоящее время в России строится ускорительный комплекс NICA, проект которого входит в список наиболее приоритетных для российской науки. Одна из главных задач - исследование кварк-глюонной плазмы, особого состояния вещества, характерного для ранних этапов развития вселенной.
Для исследования физических свойств материи необходимо выполнить и зафиксировать событие по взаимодействию тяжелых ионов при их столкновению друг с другом в коллайдерных экспериментах, где ускоряются встречные пучки ионов, или по их столкновению с неподвижной мишенью в экспериментах с фиксированной мишенью. После этого ключевой задачей становится «расшифровка » данных, зарегистрированных в эксперименте, что называется реконструкцией событий. Эта задача состоит в проведении процедуры восстановления траекторий, или треков, элементарных частиц в трековых детекторах, в которых и происходит регистрация событий. Однако такое восстановление сопряжено со многими трудностями, связанными с данными: высокая сложность структуры распознаваемых образов, число фоновых событий на несколько порядков выше числа полезных, высокий уровень шума. Кроме того, важную роль могут играть несовершенство некоторых типов детекторов и неоднородность магнитного поля. В современных экспериментах, характеризуемых высочайшими темпами поступления данных, классические методы трекинга, такие как фильтрация по Калману, не могут удовлетворить требованиям исследователей, предъявляемых к скорости работы алгоритма, в виду плохой масштабируемости исходного метода, несмотря на высокие показатели эффективности работы фильтра. Т.е. фильтр способен выполнить процедуру восстановления события с высокой точностью, но темпы поступления новых данных так высоки, что алгоритм не способен обработать все это за разумное время, а сохранить все данные в сыром формате не представляется возможным.
Таким образом, современная экспериментальная физика высоких энергий требует не только гигантских комплексов для распределённых вычислений и соответствующей инфраструктуры, но и разработки новых подходов для эффективной реконструкции событий в рамках этих комплексов. Сюда относятся методы машинного обучения для поиска закономерностей в данных, прогнозов и фильтрации. Наиболее эффективными инструментами в данном случае являются глубокие нейронные сети из-за высокой способности обобщения, обучения и самообучения.
Модели глубоких нейронных сетей используются для решения проблемы распознавания треков для локального (трек за треком) и глобального (все треки в событии одновременно) распознавания. Другое преимущество глубоких нейронных сетей - способность обнаруживать скрытые нелинейные зависимости в данных. Кроме того, как будет показано далее, одну и ту же нейросетевую модель можно использовать для различных экспериментов без существенных изменений.
Постановка задачи
Целью работы является разработка нейронной сети и набора программных средств для обучения и тестирования модели, обеспечивающей предсказание траектории частицы в экспериментах BESIII и BM@N.
Для достижения поставленной цели необходимо:
1) Изучить предметную область
2) Разработать и реализовать методы предварительной обработки данных
3) Предобработать данные
4) Выбрать архитектуру модели и параметры обучения
5) Выполнить тренировку выбранной модели
6) Проанализировать результаты
Объектом исследования являются данные Монте-Карло моделирования, симулирующие движение частиц в трековых детекторах на основе Газовых электронных Умножителей (ГЭУ) со стриповым съемом информации в экспериментах BESIII и BM@N.
Предметом исследования является реконструкция треков элементарных частиц в смоделированных событиях.
Один из методов наблюдения и изучения внутренней структуры вещества на самом низком уровне заключается в ускорении частиц вещества с последующим соударением с помощью специальных установок - коллайдеров, или ускорителей частиц. Современная физика достигла значительных успехов с помощью высокоэнергетических экспериментов, выполненных на ускорителях и коллайдерах, таких как HERA, LEP, SLC, Tevatron и др. Одним из самых известных коллайдеров является Большой адронный коллайдер (БАК), известность которому принес впечатляющий масштаб проводимых экспериментов , особенно эксперименты CMS и ATLAS, результаты которых по обнаружению бозона Хиггса были удостоины Нобелевской премии за 2012 год [2].
Другая немаловажная область исследований, кроме адрон-адронных и электрон-позитронных столкновений, - это изучение процессов столкновений ядер тяжелых ионов. В настоящее время в России строится ускорительный комплекс NICA, проект которого входит в список наиболее приоритетных для российской науки. Одна из главных задач - исследование кварк-глюонной плазмы, особого состояния вещества, характерного для ранних этапов развития вселенной.
Для исследования физических свойств материи необходимо выполнить и зафиксировать событие по взаимодействию тяжелых ионов при их столкновению друг с другом в коллайдерных экспериментах, где ускоряются встречные пучки ионов, или по их столкновению с неподвижной мишенью в экспериментах с фиксированной мишенью. После этого ключевой задачей становится «расшифровка » данных, зарегистрированных в эксперименте, что называется реконструкцией событий. Эта задача состоит в проведении процедуры восстановления траекторий, или треков, элементарных частиц в трековых детекторах, в которых и происходит регистрация событий. Однако такое восстановление сопряжено со многими трудностями, связанными с данными: высокая сложность структуры распознаваемых образов, число фоновых событий на несколько порядков выше числа полезных, высокий уровень шума. Кроме того, важную роль могут играть несовершенство некоторых типов детекторов и неоднородность магнитного поля. В современных экспериментах, характеризуемых высочайшими темпами поступления данных, классические методы трекинга, такие как фильтрация по Калману, не могут удовлетворить требованиям исследователей, предъявляемых к скорости работы алгоритма, в виду плохой масштабируемости исходного метода, несмотря на высокие показатели эффективности работы фильтра. Т.е. фильтр способен выполнить процедуру восстановления события с высокой точностью, но темпы поступления новых данных так высоки, что алгоритм не способен обработать все это за разумное время, а сохранить все данные в сыром формате не представляется возможным.
Таким образом, современная экспериментальная физика высоких энергий требует не только гигантских комплексов для распределённых вычислений и соответствующей инфраструктуры, но и разработки новых подходов для эффективной реконструкции событий в рамках этих комплексов. Сюда относятся методы машинного обучения для поиска закономерностей в данных, прогнозов и фильтрации. Наиболее эффективными инструментами в данном случае являются глубокие нейронные сети из-за высокой способности обобщения, обучения и самообучения.
Модели глубоких нейронных сетей используются для решения проблемы распознавания треков для локального (трек за треком) и глобального (все треки в событии одновременно) распознавания. Другое преимущество глубоких нейронных сетей - способность обнаруживать скрытые нелинейные зависимости в данных. Кроме того, как будет показано далее, одну и ту же нейросетевую модель можно использовать для различных экспериментов без существенных изменений.
Постановка задачи
Целью работы является разработка нейронной сети и набора программных средств для обучения и тестирования модели, обеспечивающей предсказание траектории частицы в экспериментах BESIII и BM@N.
Для достижения поставленной цели необходимо:
1) Изучить предметную область
2) Разработать и реализовать методы предварительной обработки данных
3) Предобработать данные
4) Выбрать архитектуру модели и параметры обучения
5) Выполнить тренировку выбранной модели
6) Проанализировать результаты
Объектом исследования являются данные Монте-Карло моделирования, симулирующие движение частиц в трековых детекторах на основе Газовых электронных Умножителей (ГЭУ) со стриповым съемом информации в экспериментах BESIII и BM@N.
Предметом исследования является реконструкция треков элементарных частиц в смоделированных событиях.
✅ Заключение
В данной работе была решена задача трекинга частиц в экспериментах с детекторами на основе ГЭУ на примере BESIII и BM@N. Особенность этих экспериментов заключается в том, что детекторы в них регистрируют не только пролетающие сквозь своё внутреннее пространство частицы, но и большое количество вторичных частиц или попросту шума, называемых фейками. В результате методы типа фильтра Калмана перестают удовлетворять требованиям таких экспериментов по скорости.
В данной работе был развит нейросетевой подход для трекинга частиц. Была предложена модификация модели TrackNETv2. Так, исследования показали, что TrackNETv2 не может фильтровать ложные треки для детекторов с небольшим количеством станций обнаружения, как, например, 3 в эксперименте BESIII. Всего один процент ложных треков отбрасывался, что не удовлетворяло требованиям физиков по качеству трекинга. Эта модель была изменена путем добавления части классификатора для фильтрации фейковых треков-кандидатов, что расширило ее возможности обобщения. Также была существенно переработана процедура обучения и тестирования данной модели.
Разработанный подход был также адаптирован для эксперимента BM@N, что привело к увеличению качества трекинга на данном эксперименте и подтвердило целесообразность использования данного метода локального трекинга не только в экспериментах с низкими энергиями взаимодействия, но и в экспериментах с более высокими энергиями.
Для разработки системы локального трекинга использовалась и дополнялась открытая библиотека для нейросетевого трекинга Ariadne. При решении задач, описанных в данной работе, библиотека была дополнена модулями для подготовки данных, их трансформации, режима инференса. Кроме того, как базовая модель TrackNETv2, так и новая модель TrackNETv3 вошли в набор готовых моделей этой библиотеки, а методы подготовки данных для экспериментов BM@N и BESIII также стали частью этой библиотеки.
В данной работе был развит нейросетевой подход для трекинга частиц. Была предложена модификация модели TrackNETv2. Так, исследования показали, что TrackNETv2 не может фильтровать ложные треки для детекторов с небольшим количеством станций обнаружения, как, например, 3 в эксперименте BESIII. Всего один процент ложных треков отбрасывался, что не удовлетворяло требованиям физиков по качеству трекинга. Эта модель была изменена путем добавления части классификатора для фильтрации фейковых треков-кандидатов, что расширило ее возможности обобщения. Также была существенно переработана процедура обучения и тестирования данной модели.
Разработанный подход был также адаптирован для эксперимента BM@N, что привело к увеличению качества трекинга на данном эксперименте и подтвердило целесообразность использования данного метода локального трекинга не только в экспериментах с низкими энергиями взаимодействия, но и в экспериментах с более высокими энергиями.
Для разработки системы локального трекинга использовалась и дополнялась открытая библиотека для нейросетевого трекинга Ariadne. При решении задач, описанных в данной работе, библиотека была дополнена модулями для подготовки данных, их трансформации, режима инференса. Кроме того, как базовая модель TrackNETv2, так и новая модель TrackNETv3 вошли в набор готовых моделей этой библиотеки, а методы подготовки данных для экспериментов BM@N и BESIII также стали частью этой библиотеки.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.