====== Текущие гранты ======

[[./archive/main|Архив]]

===== РНФ-24-11-00136 =====

//**А.Крюков**//

**[[grants:ml4gamma:main|Методы машинного обучения для совместного анализа мультимодальных экспериментальных данных и извлечения редких событий в гамма-астрономии]]**

2024-2026.

В современную цифровую эпоху порождаются все увеличивающиеся объемы данных. Поэтому обработка и анализ получаемой информации является одной из наиболее важных и насущных задач. Часто эти данные поступают из различных источников, отражают различные стороны объектов или явлений и являются существенно неоднородными. Такие данные имеют разные типы и форматы, что очень сильно затрудняет их совместный анализ. В связи с этим, есть потребность в разработке новых эффективных и совершенствовании существующих методов совместного анализа больших потоков разнородных, мультимодальных данных, что является центральной научной проблемой, на решение которой направлен данный проект.

Актуальность этой проблематики обусловлена многочисленными примерами важности таких методов в конкретных прикладных областях, например, в медицине, управлении процессами жизнедеятельности городов, климатических и экологических исследованиях, естественных науках и многих других.

Конкретной задачей в рамках проблемы, на решение которой направлен проект, является разработка новых эффективных способов совместного анализа мультимодальных данных, которые будут протестированы на реальных данных из области гамма-астрономии, а именно данных, получаемых с помощью гибридного эксперимента TAIGA, регистрирующего широкие атмосферные ливни. Мультимодальность означает, что совокупный набор данных состоит из нескольких подмножеств, каждое из которых содержит данные одного типа. Важно отметить, что мультимодальность характерна в целом для современной многоканальной астрономии, поскольку собираемая информация об изучаемых явлениях имеет большое разнообразие по своей природе и характеристикам. Новизна предлагаемого проекта обусловлена новаторским методологическим подходом для решения этой задачи, а именно осуществлением объединения и совместного анализа не на уровне сырых экспериментальных данных, а после извлечения с помощью нейросетевых технологий их существенных признаков, которые отражают сущность явления, а не конкретный метод его регистрации. Использование существенных признаков позволит выделить редкие явления, к которым относятся гамма частицы.
===== Проект НЦФМ =====

Научная программа Национального центра физики и математики (г.Саров),  направление № 5 «Физика частиц и космология»

//2021-2025 гг.//

**Теоретическое исследование новых моделей и сигналов темной материи для экспериментов на коллайдерах. Квантовые эффекты в искривленном пространстве-времени и решение некоторых проблем СМ**

**Руководитель: Э.Э.Боос** \\ 
Участники: И.Волобуев, В.Буничев, М.Дубинин, А.Пухов, М.Смоляков, Е.Федотова, С.Вернов, В.Егоров, Д.Казаркин 

**Цель работы:** \\ 
Теоретические исследования возможных проявлений и оптимизация рекомендаций по обнаружению частиц темной материи в обсуждаемых экспериментах на коллайдерах, получение новых более жестких ограничений на свойства частиц темной материи в рамках существующих и новых моделей их взаимодействий. Решение проблем Стандартной модели, в том числе проблемы иерархий, с помощью промежуточных масштабов, возникающих вследствие квантовых эффектов в искривленном пространстве-времени.