Próba identyfikacji procesów przy pomocy algorytmów klastrowania - wykorzystanie sieci neuronowych do znalezienia bozonu Higgsa

Abstract

Niniejsza praca skupia się na zastosowaniu algorytmów uczenia maszynowego jako metodzie optymalizacji narzędzi analitycznych w dziedzinie fizyki wysokich energii. Autor bada możliwość wykorzystania sieci neuronowych do identyfikacji procesów, w których doszło do pojawienia się bozonu Higgsa, w zadaniach klasyfikacji binarnej oraz klastrowania. Autor stosuje techniki optymalizacji hiperparametrów do stworzenia modelu perceptronu wielowarstwowego i sprawdza potencjał głębokich sieci neuronowych pod kątem wydobywania informacji wyłącznie na podstawie surowych danych pomiarowych. Bazując na algorytmie Kohonena, przetestowana zostaje możliwość użycia technik klastrowania opartego na sieciach neuronowych do wykrycia podobieństw wśród obserwacji zawierających bozon Higgsa. Do realizacji zadań niniejszej pracy wykorzystano platformę Azure Databricks oraz magazyn danych Azure Blob Storage.