LAMBDA: Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН (командный проект) — различия между версиями
м (Austyuzhanin переименовал страницу [[Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в…) |
|||
| (не показано 5 промежуточных версии этого же участника) | |||
| Строка 1: | Строка 1: | ||
{{Карточка_командного_проекта | {{Карточка_командного_проекта | ||
|name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН | |name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН | ||
| − | |company= | + | |company=Яндекс, ВШЭ |
|semester=Осень 2017 | |semester=Осень 2017 | ||
|course=3 | |course=3 | ||
| − | |number_of_students=2- | + | |number_of_students=2-5 |
|categorize=yes | |categorize=yes | ||
}} | }} | ||
| Строка 12: | Строка 12: | ||
Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие". | Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие". | ||
В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях | В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях | ||
| + | |||
| + | Презентация: https://www.dropbox.com/s/v9rqn4ecbto5hxa/171013_GAN_HSEstudents.pdf?dl=0 | ||
=== Чему научатся студенты? Что самое интересное в проекте? === | === Чему научатся студенты? Что самое интересное в проекте? === | ||
| Строка 30: | Строка 32: | ||
Хорошее знание математического анализа и математической статистики | Хорошее знание математического анализа и математической статистики | ||
Хорошее знание школьного курса физики | Хорошее знание школьного курса физики | ||
| − | Умение писать и читать код на python (опционально - использовать | + | Умение писать и читать код на python (опционально - использовать jupyter, docker) |
Не пугаться Git | Не пугаться Git | ||
=== Темы вводных занятий === | === Темы вводных занятий === | ||
| − | 1) Что такое | + | 1) Что такое GAN - несколько общих слов и простой примерчик. |
2) Калориметры LHC - структура и особенности. | 2) Калориметры LHC - структура и особенности. | ||
| Строка 44: | Строка 46: | ||
=== Контактная информация === | === Контактная информация === | ||
| − | Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru | + | * Виктория Чекалина: vicusya17@mail.ru, |
| + | * Фёдор Ратников: fratnikov@hse.ru | ||
| + | * Андрей Устюжанин [https://telegram.me/anaderiRu @anaderiRu] | ||
Текущая версия на 13:20, 14 октября 2017
| Компания | Яндекс, ВШЭ |
| Учебный семестр | Осень 2017 |
| Учебный курс | 3-й курс |
| Максимальное количество студентов, выбравших проект: 2-5 | |
Содержание
| |
Что это за проект?
Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов. Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на "искуственные" и "настоящие". В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях
Презентация: https://www.dropbox.com/s/v9rqn4ecbto5hxa/171013_GAN_HSEstudents.pdf?dl=0
Чему научатся студенты? Что самое интересное в проекте?
Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера
Организация работы (Как студенты будут работать в команде?)
Распределение работы создаётся по итогам регистрации желающих участвовать.
Компоненеты (Из каких частей состоит проект?)
1) Воспроизведение бейзлайна на существующих данных 2) Улучшение бейзлайна 3) Учет нюансов отдельно взятого детектора детектора
Какие будут использоваться технологии?
-
Какие начальные требования?
Хорошее знание математического анализа и математической статистики Хорошее знание школьного курса физики Умение писать и читать код на python (опционально - использовать jupyter, docker) Не пугаться Git
Темы вводных занятий
1) Что такое GAN - несколько общих слов и простой примерчик. 2) Калориметры LHC - структура и особенности.
Критерии оценки
-
Похожие проекты
-
Контактная информация
- Виктория Чекалина: vicusya17@mail.ru,
- Фёдор Ратников: fratnikov@hse.ru
- Андрей Устюжанин @anaderiRu
