THEORY

User Tools

Site Tools

Trace:
dlcp:kryukov22:about

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision		Previous revision
dlcp:kryukov22:about [26/02/2022 15:28] – kryukovdlcp:kryukov22:about [12/06/2022 09:46] (current) – admin
Line 7: Line 7:
  
   * A.Kryukov - Team leader   * A.Kryukov - Team leader
 +++++ Участники|
   * J.Dubenskaya - Principal investigator   * J.Dubenskaya - Principal investigator
   * E.Gres - Investigator   * E.Gres - Investigator
Line 12: Line 13:
   * A.Demichev - Investigator   * A.Demichev - Investigator
   * S.Polyakov - Investigator   * S.Polyakov - Investigator
 +++++
  
 Научной проблемой, на решение которой направлен проект, является исследование и разработка методов машинного обучения для анализа моделей физических явлений с использованием выборок случайных состояний (семплов). До последнего времени практически единственным подходом, позволяющим численно моделировать очень сложные физические явления, являлся подход на основе методов Монте-Карло. Однако использование реалистичных физических моделей на основе метода Монте-Карло требуют весьма больших временных и ресурсных затрат. Одним из альтернативных и весьма перспективных методов является использование методов машинного обучения для генерации выборок случайных векторов. Научной проблемой, на решение которой направлен проект, является исследование и разработка методов машинного обучения для анализа моделей физических явлений с использованием выборок случайных состояний (семплов). До последнего времени практически единственным подходом, позволяющим численно моделировать очень сложные физические явления, являлся подход на основе методов Монте-Карло. Однако использование реалистичных физических моделей на основе метода Монте-Карло требуют весьма больших временных и ресурсных затрат. Одним из альтернативных и весьма перспективных методов является использование методов машинного обучения для генерации выборок случайных векторов.
  
 +++++ Продолжение|
 Отличительной особенностью моделирования физических явлений, особенно в физике элементарных частиц и космических лучей, является необходимость воспроизвести состояния системы с учетом ограничений, определяемых природой физического явления. Априорные знания могут иметь форму логических правил, алгебраических или дифференциальных уравнений (например законы сохранения или уравнения связей между параметрами или степенями свободы, описывающими изучаемые явления), наличия симметрий относительно дискретных или непрерывных групп входных/выходных данных, а также заранее известные вероятностные соотношения между данными. В методе Монте-Карло такие ограничения вводятся на уровне математической модели. Для методов машинного обучения, основанных на принципе обучения, такие ограничения воспроизводятся с трудом. Особенно это касается различных статистических распределений по совокупности состояний. Эти проблемы можно решить путем дополнительного включения априорных знаний о таких ограничениях в процесс обучения. В этом состоит новизна предлагаемого подхода к решению общей проблемы — эффективного генерирования выборок случайных состояний (семплов) с учетом априорных знаний. Практическая проверка разрабатываемых подходов будет применена для анализа моделей физических явлений в астрофизике частиц. Отличительной особенностью моделирования физических явлений, особенно в физике элементарных частиц и космических лучей, является необходимость воспроизвести состояния системы с учетом ограничений, определяемых природой физического явления. Априорные знания могут иметь форму логических правил, алгебраических или дифференциальных уравнений (например законы сохранения или уравнения связей между параметрами или степенями свободы, описывающими изучаемые явления), наличия симметрий относительно дискретных или непрерывных групп входных/выходных данных, а также заранее известные вероятностные соотношения между данными. В методе Монте-Карло такие ограничения вводятся на уровне математической модели. Для методов машинного обучения, основанных на принципе обучения, такие ограничения воспроизводятся с трудом. Особенно это касается различных статистических распределений по совокупности состояний. Эти проблемы можно решить путем дополнительного включения априорных знаний о таких ограничениях в процесс обучения. В этом состоит новизна предлагаемого подхода к решению общей проблемы — эффективного генерирования выборок случайных состояний (семплов) с учетом априорных знаний. Практическая проверка разрабатываемых подходов будет применена для анализа моделей физических явлений в астрофизике частиц.
  
Line 23: Line 26:
  
 Интеграция в процесс обучения априорных, заранее известных знаний позволит заметно повысить качество полученных выборок, а следовательно и качество моделирования событий, в частности, событий широких атмосферных ливней, регистрируемых черенковскими телескопами. Практическими задачами проекта будут: исследование существующих и разработка новых методов машинного обучения для генерации случайных векторов с учетом априорной информации; разработка алгоритмов на их основе и их программная реализация; исследование, сравнение, выбор наилучшего (или лучших) методов; сравнение с существующими методами. В ходе осуществления проекта будет проведен полный цикл исследований и решения поставленных задач — от теоретической разработки подхода до практической программной реализации. Интеграция в процесс обучения априорных, заранее известных знаний позволит заметно повысить качество полученных выборок, а следовательно и качество моделирования событий, в частности, событий широких атмосферных ливней, регистрируемых черенковскими телескопами. Практическими задачами проекта будут: исследование существующих и разработка новых методов машинного обучения для генерации случайных векторов с учетом априорной информации; разработка алгоритмов на их основе и их программная реализация; исследование, сравнение, выбор наилучшего (или лучших) методов; сравнение с существующими методами. В ходе осуществления проекта будет проведен полный цикл исследований и решения поставленных задач — от теоретической разработки подхода до практической программной реализации.
 +++++
  
-{{section>.:news&footer}}+{{section>.:news}}
dlcp/kryukov22/about.1645878536.txt.gz · Last modified: 26/02/2022 15:28 by kryukov