User Tools

Site Tools


dlcp:seminar

Семинар DL&CP

Глубокое обучение и вычислительная физика

Семинар посвящен методам интеллектуального анализа данных, глубокого обучения и родственным темам и их применению в физике. Особое внимание уделяется применению этих методов в физике частиц. Заслушиваются доклады как по оригинальным результатам, полученными авторами, так и обзорные доклады.

Место проведения: ЛКФВЭ НИИЯФ МГУ, к.222-1
Дата: второй четверг месяца
Время: 11:00-13:00
Руководитель семинара: к.ф.-м.н. А.Крюков (kryukov@theory.sinp.msu.ru)
Ссылку на ZOOM можно получить по запросу за 2 дня до начала семинара.

Заявки на доклады просьба присылать руководителю семинара А.Крюкову (kryukov@theory.sinp.msu.ru). Также можете прислать заявку на включение в список рассылки.

Давая согласие на выступление, авторы соглашаются на размещение презентации доклада на сайте семинара.

14/10/2021

Будет объявлено позже

13/05/2021

ZOOM, 11:00

С.А.Доленко (НИИЯФ МГУ)
Применение методов машинного обучения для решения многопараметрических обратных задач

Обратные задачи (ОЗ) – один из широко известных типов задач обработки данных, возникающий при косвенных измерениях, когда возникает необходимость восстановления интересующих исследователя параметров объекта по измеренным в эксперименте наблюдаемым величинам. К сожалению, ОЗ часто характеризуются существенной нелинейностью, плохой обусловленностью или некорректностью, высокой размерностью как по входу, так и по выходу, высоким уровнем шумов в данных. Все эти факторы дополнительно осложняют решение. В этой ситуации эффективным подходом к решению ОЗ оказывается использование методов машинного обучения (МО) (искусственные нейронные сети; методы, основанные на деревьях решений; метод группового учёта аргументов; линейная регрессия в нелинейном базисе и другие). В работе рассматриваются два основных подхода к решению ОЗ методами МО – от модели и от эксперимента, а также промежуточный квазимодельный подход; обсуждаются области их применения, достоинства и недостатки. Рассматриваются также некоторые специальные приёмы, позволяющие эффективно бороться с негативными свойствами ОЗ – понижение размерности входных данных; групповое и поэтапное определение параметров; добавление шума к данным в процессе обучения; комплексирование физических методов, комплексирование методов МО и комплексирование данных. Рассмотрение ведется на примере ОЗ из области оптической спектроскопии и из области разведочной геофизики. Предметом обсуждения является методика аппроксимационного решения ОЗ с помощью методов МО, с учётом специфики данных из конкретных предметных областей.

08.04.2021

ZOOM, 11:00 MSK

Л.Дудко (НИИЯФ МГУ)
Нейронные сети. Применение нейронных сетей в анализе данных коллайдерных экспериментов
.

В докладе будут представлены идеи лежащие в основе методов нейронных сетей, и основные принципы применения нейронных сетей в анализе данных жестких процессов рассеяния на современных коллайдерах. Будет проведено краткое сравнение различных типов нейронных сетей и других методов машинного обучения.

Презентация: dlcp-dudko-210408

04/03/2021

Zoom, 11:00 MSK

А.Демичев (НИИЯФ МГУ)
Эквивариантность конволютивных нейросетей относительно групп преобразований входных данных

Будет обсуждаться связь архитектуры сверточных сетей и эквивариантности (симметрии) в нейронных сетях в отношении не только трансляций, но и действия любой компактной группы. Основной результат указанных работ - доказательство того, что (при некоторых естественных ограничениях) сверточная структура является не только достаточным, но и необходимым условием эквивариантности действия компактной группы. Используются концепции теории представлений и некоммутативного гармонического анализа, а также обобщение формулы свертки на групповые многообразия и фактор-пространства. Общая теория будет проиллюстрирована на примере сферической симметрии. При этом особенностью архитектуры, которая будет рассмотрена, является то, что она использует преобразование Клебша-Гордана в качестве единственного источника нелинейности в нейросети, что позволяет избежать повторных прямых и обратных преобразований Фурье.

По литературным источникам; в основном - изложение работ:

  1. R. Kondor, et al. “On the generalization of equivariance and convolution in neural networks to the action of compact groups”, 2018. ArXiv: 1802.03690
  2. R. Kondor, et al. “Clebsch–Gordan nets: a fully Fourier space spherical convolutional neural network”, 2018, ArXiv: 1806.09231

Презентация: demichev-210304-cnn-symm_pres.pdf

dlcp/seminar.txt · Last modified: 29/04/2021 19:18 by kryukov