Наша лаборатория участвует в обработке и интерпретации данных крупнейших международных экспериментов в области физики высоких энергий, ускорительной физики и синхротронных исследований. Мы работаем с коллаборациями NICA (ОИЯИ, Дубна), СКИФ (Новосибирск) и CERN (LHC), разрабатывая методы статистического анализа, машинного обучения и визуализации больших данных.
NICA (Дубна)
Анализ столкновений тяжелых ионов, поиск новых состояний кварк-глюонной плазмы, разработка алгоритмов реконструкции событий.
СКИФ (Новосибирск)
Обработка данных рентгеновских и синхротронных экспериментов, автоматизация анализа дифракционных изображений.
Большой адронный коллайдер (CERN)
Участие в экспериментах ATLAS/CMS/LHCb: поиск новой физики, прецизионные измерения свойств бозона Хиггса, разработка методов уменьшения фона.
Программное обеспечение:
ROOT, CERN’s Analysis Framework
Python (SciPy, NumPy, scikit-learn, TensorFlow/PyTorch)
C++ (для высокопроизводительных вычислений)
Системы хранения и обработки:
Hadoop/Spark для больших массивов данных
SQL/NoSQL базы (MySQL, MongoDB)
Визуализация:
Matplotlib, Plotly, D3.js для интерактивных дашбордов
Анализ открытых данных CERN (2015–2016):
Работа с открытыми данными ATLAS (формат DAOD_PHYSLITE) с целью воссоздания и расширения опубликованных анализов.
Повторение анализа: “Measurements of top-quark pair to Z-boson cross-section ratios at √s = 7, 8, 13 TeV with the ATLAS detector”
Расширение на более сложный анализ: “Evidence for the H→bb decay with the ATLAS detector”
Применение методов машинного обучения в физике высоких энергий:
Использование открытых данных и Monte Carlo симуляций для повторения анализа с применением современных ML-моделей (графовые сети, трансформеры, diffusion models и др.).
Повторение стандартных анализов: измерения, поиски новых частиц
Оптимизация фазовых пространств и переменных с помощью ML
Разработка методических рекомендаций по проектированию анализа
Оптимизация выбора переменных в анализе рождения трех бозонов:
Повторение анализа: “Search for W±W∓Z and W±ZZ production in pp collisions at √s = 13 TeV with the ATLAS detector”
Цель: уменьшение систематических ошибок за счёт выбора более устойчивых входных переменных
Итог: разработка подходов к систематической оптимизации анализа
Изучение и применение ATLAS b-tagging фреймворка на основе нейросетей:
Разбор архитектуры и принципов работы ML-фреймворка ATLAS для b-tagging.
Повторение результатов ATLAS
Использование фреймворка для собственных задач и курсов подготовки студентов
