Семинар Лаборатории обработки больших данных в физике частиц и астрофизике ИЯИ РАН 18.11.25

Во вторник, 18 ноября, в конференц-зале ИЯИ РАН в 15:00 состоится семинар Лаборатории обработки больших данных по теме:

"Машинное обучение в нейтринный экспериментах (обзор докладов с Neutrino Physics and Machine Learning (NPML 2025)"

Докладчик: Мацейко Альберт Викторович, ИЯИ РАН & МФТИ.

Формат доклада очный, с возможностью дистанционного подключения через яндекс.телемост: https://telemost.360.yandex.ru/j/3121800841

Аннотация:

В докладе предcтавляются основные результаты и направления исследований, обсуждавшиеся на конференции Neutrino Physics and Machine Learning 2025 (NPML-2025, 27-31 октября 2025 года). Основное внимание уделено архитектурам моделей, методам обучения и подходам к представлению и анализу данных в нейтринных экспериментах.

Первая часть посвящена представленным на конференции необычным моделям машинного обучения:

- графовые методы для Hyper-Kamiokande (Graph Convolutional и Graph Attention Networks);
- трансформеры (Vision Transformer, Swin-Transformer) для реконструкции событий в детекторах с разнородными фотоумножителями;
- Point-Set Transformer для "многоракурсной" сегментации в эксперименте NOvA.

Также рассказывается о результатах в области фундаментальных (foundation) моделей для LArTPC-детекторов: предобучение без учителя (unsupervised learning) PoLAr-MAE на открытом наборе PILArNet-Medium (1,2 млн событий) и последующий перенос знаний (transfer learning) на задачи реконструкции и адаптации между экспериментами. - <удалить если не будет правок> было что-то интересное, но не трансформеры

Во второй части обсуждаются методы unfolding-a и генерации данных с помощью машинного обучения:

- итеративные небинированные алгоритмы OmniFold/MultiFold выполняют восстановление истинных распределений событий по данным детектора, используя классификаторы для оценки отношения плотностей вероятностей - без разбиения пространства признаков на ячейки;
- Методы Simulation-Based Inference и Implicit Likelihood Inference позволяют напрямую связывать параметры физической модели с наблюдаемыми величинами по результатам моделирования, минуя явное задание функции правдоподобия;
- Нормализующие потоки и подходы flow-matching применяются для быстрой генерации реалистичных сэмплов и отклика детекторов, сокращая время моделирования.

В конце рассматриваются обсуждавшиеся вопросы валидации, регуляризации и адаптации к различию между данными эксперимента и симуляции.