Tato doktorandská práce se zaměřuje na využití metod umělé inteligence pro zpracování a analýzu dat z experimentu AMBER s pevným terčem v CERN. Cílem je vyvinout inovativní modely strojového učení schopné efektivně zpracovávat velké objemy fyzikálních dat a začlenit je do systému filtrace dat. Práce zahrnuje analýzu a předzpracování dostupných datových sad, včetně čištění dat, normalizace a extrakce klíčových vlastností potřebných pro následnou analýzu.
Dalším krokem bude vývoj a implementace pokročilých modelů strojového učení, jako jsou hluboké neuronové sítě, které budou speciálně navrženy pro interpretaci fyzikálních dat z experimentu. Tyto modely budou testovány a optimalizovány za použití křížové validace a dalších metod pro zajištění jejich spolehlivosti a přesnosti.
Očekává se, že práce přinese vývoj robustních AI modelů, které umožní efektivní zpracování a analýzu dat, a tím přispěje k lepšímu porozumění fyzikálním jevům. Tato doktorandská práce by mohla mít významný dopad na pokrok ve fyzice částic tím, že poskytne nástroje pro hlubší a efektivnější analýzu experimentálních dat, což by mohlo vést k novým objevům nebo lepšímu porozumění již existujícím teoriím. Výsledky by také mohly nalézt aplikace v dalších oblastech fyzikálního výzkumu nebo příbuzných disciplínách, což by mělo vliv na širší vědeckou komunitu. Předpokládá se publikace výsledku práce v impaktovaných časopisech Reviews of Modern Physics a Physical Review D.
Literatura
- BAKINA, O.; BARANOV, D.; DENISENKO, I.; GONCHAROV, P.; NECHAEVSKIY, A. et al., 2022. Deep learning for track recognition in pixel and strip-based particle detectors. Online. Journal of Instrumentation. 2022-12-28, roč. 17, č. 12. ISSN 1748-0221. Dostupné z: https://doi.org/10.1088/1748-0221/17/12/P12023. [cit. 2024-05-10].
- NARIMANI CHARAN, Abtin, 2023. Online. Journal of Physics: Conference Series. 2023-02-01, roč. 2438, č. 1. ISSN 1742-6588. Dostupné z: https://doi.org/10.1088/1742-6596/2438/1/012111. [cit. 2024-05-10].
- BELIS, Vasilis; ODAGIU, Patrick a AARRESTAD, Thea Klaeboe, 2024. Machine learning for anomaly detection in particle physics. Online. Reviews in Physics. Roč. 12. ISSN 24054283. Dostupné z: https://doi.org/10.1016/j.revip.2024.100091. [cit. 2024-05-10].
- BOEHNLEIN, Amber; DIEFENTHALER, Markus; SATO, Nobuo; SCHRAM, Malachi; ZIEGLER, Veronique et al., 2022. Online. Reviews of Modern Physics. Roč. 94, č. 3. ISSN 0034-6861. Dostupné z: https://doi.org/10.1103/RevModPhys.94.031003. [cit. 2024-05-10].
