Тема выпускной квалификационной работы "Генераторы событий лептон– протонного взаимодействия на основе нейронной сети" Одной из важных задач современной физики является изучение структуры протона. Полноценное теоретическое описание структуры протона в настоящее время не представляется возможных. В результате, необходимо привлечение сложных феменологических моделей, на основе которых строятся различные Монте-Карловские генераторы событий. Хорошо известно, что глубоко неупру­ гое лептон-протонное рассеяние позволяет изучать внутреннею структуру про­ тона. Дополнительным подходом является использование методов машинного обучения и нейронных сетей, в результате чего может быть получена модель, способная быстро и без привлечение больших вычислительных мощностей пред­ сказывать результаты, например, конечное состояние лептона в результате глу­ боко неупругого лептон-протонного рассеяния. В данной работе рассмотрено применение генеративно-состязательных се­ тей для построения генератора событий глубоко неупругого лептон-протонного рассеяния при различных начальных энергиях √𝑠𝑙𝑁 и в различных конфигура­ циях глубоко неупругого рассеяния: инлюзивного, полуинклюзивного и полуин­ клюзивного с поляризацией налетающего протона. Во всех рассмотреных видах глубоко неупругого рассеяния было получено, что модель генеративно-соста­ зательной сети способна предсказывать конечное состояние лептона и адрона как при начальных энергиях, при которых производилось обучение моделей (20, 40, 60, 80, 100 ГэВ), так и при интерполированных (30, 50, 70, 90 ГэВ), и экстраполированных (120, 140, 160, 180 ГэВ) значениях энергий.

One of the important tasks of modern physics is to study the structure of the proton. A complete theoretical description of the structure of the proton is currently unavaiable. As a result, it is necessary to involve complex feminological models to develop various Monte Carlo event generators. It is well known that deeply inelastic lepton-proton scattering allows one to study the internal structure of the proton. The complementary approach is to use machine learning and neural network techniques, which can produce a model capable of fast and computationally intensive prediction , e.g. the final state of the lepton as a result of deep inelastic lepton-proton scattering. In this work is consider the application of generative-adversarial networks to construct an event generator for deep inelastic lepton-proton scattering at different initial energies√𝑠𝑙𝑁 and in differentconfigurationsdeepinelasticscattering:inclusive, semi-inclusive, and semi-inclusive with polarization of the incoming proton. In all considered types of deep inelastic scattering, it was obtained that the generative-state network model is capable of predicting the final state of the lepton and hadron both at the initial energies at which the models were trained (20, 40, 60, 80, 100 GeV), and at interpolated (30, 50, 70, 90 GeV), and extrapolated (120, 140, 160, 180 GeV) energies.

• ВВЕДЕНИЕ
• Глава 1. Обзор литературы
  • Глубокое неупругое рассеяние
  • Глубоко неупругое рассеяния на поляризованной мишени
  • Генеративно-состязательные сети в физике высоких энергий
• Глава 2. Методика анализа
  • Нейронные сети
  • Генеративно-состязательные сети
  • Генеративно-состязательные сети с наименьшими квадратами
  • Генеративно-состязательные сети с измененными и дополнительными параметрами
• Глава 3. Построение генераторов событий лептон-протонного рассеяния
  • Инклюзивное глубоко неупругое рассеяние
  • Полуинклюзивное глубоко неупругое рассеяние
  • Полуинлюзивное глубоко непругое рассеяния на поляризованном протоне
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ