Детальная информация
| Название | Восстановление треков на установке SPD при помощи машинного обучения: выпускная квалификационная работа бакалавра: направление 03.03.02 «Физика» ; образовательная программа 03.03.02_01 «Физика атомного ядра и элементарных частиц» |
|---|---|
| Авторы | Лубченков Леонид Константинович |
| Научный руководитель | Бердников Ярослав Александрович |
| Организация | Санкт-Петербургский политехнический университет Петра Великого. Физико-механический институт |
| Выходные сведения | Санкт-Петербург, 2022 |
| Коллекция | Выпускные квалификационные работы ; Общая коллекция |
| Тематика | физика высоких энергий ; коллайдерные эксперименты ; восстановление треков ; глубокое обучение ; графовые нейросети ; high energy physics ; collider experiments ; track reconstruction ; deep learning ; graph neural networks |
| Тип документа | Выпускная квалификационная работа бакалавра |
| Тип файла | |
| Язык | Русский |
| Уровень высшего образования | Бакалавриат |
| Код специальности ФГОС | 03.03.02 |
| Группа специальностей ФГОС | 030000 - Физика и астрономия |
| DOI | 10.18720/SPBPU/3/2022/vr/vr22-4107 |
| Права доступа | Доступ по паролю из сети Интернет (чтение) |
| Ключ записи | ru\spstu\vkr\18902 |
| Дата создания записи | 19.12.2022 |
Разрешенные действия
–
Действие 'Прочитать' будет доступно, если вы выполните вход в систему или будете работать с сайтом на компьютере в другой сети
| Группа | Анонимные пользователи |
|---|---|
| Сеть | Интернет |
В работе описано применение графовых нейронных сетей к задаче восстановления треков на эксперименте SPD. Выполнен обзор классических глобальных и локальных методов восстановления треков. Раскрыта роль машинного обучения в физике высоких энергий и применительно к восстановлению треков в частности. Приведены результаты использования двух типов графов и дано их сравнение.
The study describes the application of graph neural networks to the task of track reconstruction in the SPD experiment. A review of classical global and local methods of track reconstruction is made. The role of machine learning in high-energy physics and, in particular, in relation to track reconstruction, is revealed. The results of using two types of graphs and their comparison are given.
| Место доступа | Группа пользователей | Действие |
|---|---|---|
| Локальная сеть ИБК СПбПУ | Все |
|
| Интернет | Авторизованные пользователи СПбПУ |
|
| Интернет | Анонимные пользователи |
|
Количество обращений: 7
За последние 30 дней: 0