Details

Данная работа посвящена применению методов машинного обучения, в частности генеративно­-состязательных сетей (ГСС), для моделирования процессов глубоко неупругого лептон­-протонного рассеяния (ГНР) и протон­-протонных столкновений. Целью исследования является создание альтернативного подхода к расчету параметров взаимодействующих частиц в эксперименте, позволяющего получать результаты при промежуточных значениях начальной энергии. Основной предмет работы ­­­ анализ возможностей ГСС в предсказании конечных состояний частиц при различных энергиях √s и конфигурациях, включая поляризацию. В отличие от Монте­Карло генераторов, предлагаемый подход не требует ручной настройки параметров, автоматически выявляя взаимосвязи в данных. Модели ГСС обучены на данных ГНР и протон-­протонных столкновений, что обеспечивает их способность к интерполяции и экстраполяции по энергии. Разработанные модели продемонстрировали высокую точность в предсказании конечных состояний лептонов и адронов (π±,K±,) в диапазоне энергий √slN = 20­-100 ГэВ и прямых фотонов, пионов и J/Ψ в протон-­протонных столкновениях в диапазоне энергий √sNN = 9-27 ГэВ. Показана возможность интерполяции при промежуточных и экстраполированных значениях энергий. В случае полуинклюзивного ГНР с наличием поляризации модели успешно позволяли воспроизводить спиновые асимметрии для адронов, что критически важно для изучения поляризованных партонных распределений (PDF). В случае продольно поляризованных протон­-протонных столкновениях модели ГСС сохраняли кинематические зависимости, что позволяет рассчитывать двойные продольные спиновые асимметрии. Результаты работы могут быть использованы в экспериментах по изучению структуры протона (EiC, SPD на коллайдере NICA) для увеличения статистики данных и снижения ошибок при извлечении PDF. Метод также применим для создания новых генераторов событий, оптимизированных под конкретные экспериментальные условия, и ускорения анализа данных за счет расчетов на GPU. Исследование подтвердило эффективность ГСС в моделировании процессов рассеяния частиц, а также потенциальную возможность интерполяции и экстраполяции экспериментальных данных.

This work focuses on applying machine learning methods, particularly generative-adversarial networks (GANs) to model the processes of deeply inelastic lepton­-proton scattering (DIS) and proton­-proton collisions. The study aims to create an alternative approach to calculating parameters of interacting particles in an experiment. This approach allows us to obtain results at intermediate values of the initial energy. The main focus of the study is the analysis of the potential of GANs predicting the final states of particles at different energies and configurations, including polarization. Unlike Monte Carlo generators, the proposed approach does not require manual parameter tuning. It automatically identifies relationships in the data. GAN models are trained using DIS and proton-­proton collision data, ensuring their ability to interpolate and extrapolate across energy levels. The developed models have demonstrated high accuracy in predicting the final states of leptons and hadrons (π±, K±) in the energy range 20­­-120 GeV. The models have also predicted direct photons, pions, and J/Ψ in proton­-proton collisions in the energy range (9­-27) GeV. The possibility of interpolation at intermediate and extrapolated energy values is demonstrated. In the case of semi­inclusive DIS with polarization, models successfully reproduced spin asymmetries for hadrons. This is critical for studying polarized parton distributions. For longitudinally polarized proton-proton collisions GAN model retained kinematic dependencies, enabling double longitudinal spin asymmetries to be calculated. These results can be applied to proton structure experiments (EiC and SPD at the NICA collider), increasing data statistics and reducing errors for PDF extraction. This method can also be used to create new event generators. It can be optimized for specific experimental conditions and accelerating data analysis with GPU calculations. The study confirmed the effectiveness of GAN in modeling particle scattering processes and its potential to interpolate and extrapolate experimental data.

• ВВЕДЕНИЕ
• Глава 1. Изучение структуры протона
  • Структура протона
    • Теорема о факторизации
    • Функции партонного распределения
    • Функции фрагментации
  • Глубоко неупругое рассеяние
  • Поляризованное глубоко неупругое рассеяние
• Глава 2. Методика анализа
  • Нейронные сети
    • Структура простейшей нейронной сети
    • Функция активации
    • Нейронная сеть с большим числом слоев
    • Обучение нейронных сетей
    • Проблемы нейронных сетей
  • Генеративно-состязательные сети
    • Генеративно-состязательные сети с наименьшими квадратами
    • Генеративно-состязательные сети с измененными и дополнительными параметрами
• Глава 3. Применение ГСС в лептон-протонных процессах
  • Инклюзивное глубоко неупругое рассеяние
  • Полуинклюзивное ГНР с рождением адрона
  • Полуинклюзивное ГНР лептона на поляризованном протоне
  • Полуинклюзивное ГНР поляризованного лептона на поляризованном протоне
• Глава 4. Применение ГСС в протон-протонных столкновениях
  • Рождение прямых фотонов
  • Рождение пионов, каонов и J/psi-мезонов
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ