КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ
Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.
ОБЩИЕ СВЕДЕНИЯ
Номер проекта 17-72-20127
НазваниеПоиск новой физики в данных LHCb с применением методов глубокого обучения
Руководитель Деркач Денис Александрович, кандидат наук (признаваемый в РФ PhD)
Организация финансирования, регион федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский университет "Высшая школа экономики" , г Москва
Конкурс №24 - Конкурс 2017 года по мероприятию «Проведение исследований научными группами под руководством молодых ученых» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными
Область знания, основной код классификатора 02 - Физика и науки о космосе; 02-101 - Физика элементарных частиц
Ключевые слова междисциплинарное исследование, физика частиц, идентификация частиц, глубокое обучение, большой адронный коллайдер, машинное обучение, обнаружение аномалий
Код ГРНТИ29.05.37
ИНФОРМАЦИЯ ИЗ ЗАЯВКИ
Аннотация
Стандартная модель (СМ) физики элементарных частиц -- одно из главных достижений современной фундаментальной науки. Уже подтверждённая многими экспериментами, она обладает большой предсказательной силой и, в частности, может служить хорошей базовой теорией для описания большинства известных процессов, происходящих на ускорителях частиц. Тем не менее, некоторые актуальные вопросы пока остаются за пределами Стандартной модели: объяснение иерархии масс, поиск кандидатов в тёмную материю, источник асимметрии между материей и антиматерией и некоторые другие. Набор теорий, которые помогают решить тот или иной фундаментальный вопрос называют Новой физикой (НФ). В этом проекте предлагается использовать новейшие методы науки о данных для поиска эффектов Новой физики в данных эксперимента LHCb.
Фундаментальным способом открытия таких эффектов является тщательное изучения известных процессов и поиск промежуточных частиц, которые не принадлежат известному спектру Стандартной модели. Необходимые для этого данные могут быть получены в специализированных экспериментах (SHiP, NA62) или в более универсальных экспериментах на Большом адронном коллайдере. Хорошим кандидатом для подобного поиска является эксперимент LHCb. Его основной особенностью является пространственное положение, выгодное для обнаружения частиц, состоящих из тяжёлых кварков. Преимуществом детектора LHCb также является точная система идентификации заряженных частиц, которая позволяет проводить прецизионные анализы широкого спектра.
Целью данного исследования является поиск НФ обоими способами: сравнение характеристики распадов c предсказаниями СМ и обнаружение частицы X0, которая распадается на два мюона. Указание на рождение такой частицы были впервые получены на эксперименте HyperCP в 2005 году (PRL.94:021801,2005). Существование такой частицы поддерживается несколькими теоретическими моделями (например, two higgs doublet или next to minimal supersymmetry). Предполагаемая частица должна рождаться в распадах тяжёлых мезонов и барионов, которые в изобилии рождаются на Большом адронном коллайдере. В данном проекте предлагается исследовать два распада: распад B-мезона в 4 мюона и распад Сигма бариона в протон и два мюона. Оба распада представляются перспективными с точки зрения поиска новой физики и могут быть впервые зарегистрированы в данных LHCb run 2.
Критическую роль в успехе проекта играют качественный алгоритм определения типа частиц (в частности, уровень выделения мюонов из остальных кандидатов), который, кроме прочего, должен обладать специальными свойствам, например, его эффективность не должна зависеть от импульса частицы. Этого можно достичь путём применения новейших методов науки о данных. Построенный алгоритм будет иметь значение не только для анализов, указанных в проекте, но и принесёт большую пользу другим анализам LHCb, придя на смену алгоритму, используемому сейчас.
Особенностью предлагаемого алгоритма является агрегация низкоуровневых данных из различных частей детектора (поддетекторов). Эта характеристика является уникальной особенностью алгоритма и представляет самостоятельную научную ценность. Благодаря агрегации разнородных данных представится возможным варьировать и точность и скорость работы алгоритма. В то же время промежуточные результаты работы алгоритма агрегированные по времени могут служить индикаторами качества работы различных поддетекторов.
Таким образом, дополнительным важным ожидаемым результатом от разработки предлагаемого алгоритма будет являться возможность использования его для поиска аномально работающих частей детектора, что облегчит задачи сертификации данных для эксперимента LHCb.
ОТЧЁТНЫЕ МАТЕРИАЛЫ
Публикации
1.
Гущин М., Чекалина В.
Particle-identification techniques and performance at LHCb in Run 2
Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 10 144 (год публикации - 2018)
10.1016/j.nima.2018.10.144
2.
Аззолини В., Борисяк М., Серминара Г., Деркач Д., Францони Г., Де Гуйо Ф., Коваль О., Пьерини М., Пол А., Ратников Ф., Сироки Ф., Устюжанин А., Влиман Ж-Р.
Deep Learning Method for Inferring Cause of Data Anomalies
Journal of Physics: Conference Series, Vol. 1085. No. 042015. (год публикации - 2018)
10.1088/1742-6596/1085/4/042015
3.
Деркач Д., Гущин М., Лихоманенко Т., Рогожников А., Казеев Н., Чекалина В., Нейчев Р., Кириллов С., Ратников Ф.
Machine-Learning-based global particle-identification algorithms at the LHCb experiment
Journal of Physics: Conference Series, Vol. 1085. No. 4. P. 1-5. (год публикации - 2018)
10.1088/1742-6596/1085/4/042038
4.
Казеев Н.А., Деркач Д. А, Ратников Ф.Д., Устюжанин А.Е., Волохова А.С.
Cherenkov detectors fast simulation using neural networks
Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment (год публикации - 2019)
10.1016/j.nima.2019.01.031
5. Гущин М.И., Деркач Д.А., Казеев Н.А. Machine Learning based Global Particle Identification Algorithms at the LHCb Experiment EPJ Web of Conferences (год публикации - 2019)
6.
М. Борисяк, Н. Казеев
Machine Learning on data with sPlot background subtraction
Journal of Instrumentation, 14, no.08, P08020 (год публикации - 2019)
10.1088/1748-0221/14/08/P08020
7. Казеев Н. А. Machine Learning for Muon Identification at LHCb Journal of Physics: conference series (год публикации - 2020)
8. Борисяк М. С., Рыжиков А. С., Устюжанин А. Е., Деркач Д. А, Ратников Ф. Д., Минеева О. А. (1 + epsilon)-class Classification: an Anomaly Detection Method for Highly Imbalanced or Incomplete Data Sets Journal of Machine Learning Research, 21(72):1−22, 2020. (год публикации - 2020)
9. Казеев Н. А., Борисяк М. А. Machine Learning on sWeighted data Journal of Physics: Conference Series (год публикации - 2020)
10. Рыжиков А.С, Гущин М.И., Деркач Д.А. Variational Dropout Sparsification for Particle Identification speed-up Journal of Physics: Conference Series (год публикации - 2020)
11. Маевский А. С., Деркач Д.А., Казеев Н. А., Устюжанин А.Е, Артемьев М. Р., Андерлини Л. Fast Data-Driven Simulation of Cherenkov Detectors Using Generative Adversarial Networks Journal of Physics: Conference Series (год публикации - 2020)
12. Деркач Д., Гущин М., Лихоманенко Т., Рогожников А., Казеев Н., Чекалина В., Нейчев Р., Кириллов С., Ратников Ф. Machine Learning based global particle identification algorithms at LHCb experiment Journal of Physics: Conference Series (год публикации - 2018)
13. Аззолини В., Борисяк М., Серминара Г., Деркач Д., Францони Г., Де Гуйо Ф., Коваль О., Пьерини М., Пол А., Ратников Ф., Сироки Ф., Устюжанин А., Влиман Ж-Р. Deep Learning Method for Inferring Cause of Data Anomalies Journal of Physics: Conference Series (год публикации - 2018)
Публикации
1.
Гущин М., Чекалина В.
Particle-identification techniques and performance at LHCb in Run 2
Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 10 144 (год публикации - 2018)
10.1016/j.nima.2018.10.144
2.
Аззолини В., Борисяк М., Серминара Г., Деркач Д., Францони Г., Де Гуйо Ф., Коваль О., Пьерини М., Пол А., Ратников Ф., Сироки Ф., Устюжанин А., Влиман Ж-Р.
Deep Learning Method for Inferring Cause of Data Anomalies
Journal of Physics: Conference Series, Vol. 1085. No. 042015. (год публикации - 2018)
10.1088/1742-6596/1085/4/042015
3.
Деркач Д., Гущин М., Лихоманенко Т., Рогожников А., Казеев Н., Чекалина В., Нейчев Р., Кириллов С., Ратников Ф.
Machine-Learning-based global particle-identification algorithms at the LHCb experiment
Journal of Physics: Conference Series, Vol. 1085. No. 4. P. 1-5. (год публикации - 2018)
10.1088/1742-6596/1085/4/042038
4.
Казеев Н.А., Деркач Д. А, Ратников Ф.Д., Устюжанин А.Е., Волохова А.С.
Cherenkov detectors fast simulation using neural networks
Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment (год публикации - 2019)
10.1016/j.nima.2019.01.031
5. Гущин М.И., Деркач Д.А., Казеев Н.А. Machine Learning based Global Particle Identification Algorithms at the LHCb Experiment EPJ Web of Conferences (год публикации - 2019)
6.
М. Борисяк, Н. Казеев
Machine Learning on data with sPlot background subtraction
Journal of Instrumentation, 14, no.08, P08020 (год публикации - 2019)
10.1088/1748-0221/14/08/P08020
7. Казеев Н. А. Machine Learning for Muon Identification at LHCb Journal of Physics: conference series (год публикации - 2020)
8. Борисяк М. С., Рыжиков А. С., Устюжанин А. Е., Деркач Д. А, Ратников Ф. Д., Минеева О. А. (1 + epsilon)-class Classification: an Anomaly Detection Method for Highly Imbalanced or Incomplete Data Sets Journal of Machine Learning Research, 21(72):1−22, 2020. (год публикации - 2020)
9. Казеев Н. А., Борисяк М. А. Machine Learning on sWeighted data Journal of Physics: Conference Series (год публикации - 2020)
10. Рыжиков А.С, Гущин М.И., Деркач Д.А. Variational Dropout Sparsification for Particle Identification speed-up Journal of Physics: Conference Series (год публикации - 2020)
11. Маевский А. С., Деркач Д.А., Казеев Н. А., Устюжанин А.Е, Артемьев М. Р., Андерлини Л. Fast Data-Driven Simulation of Cherenkov Detectors Using Generative Adversarial Networks Journal of Physics: Conference Series (год публикации - 2020)
12. Деркач Д., Гущин М., Лихоманенко Т., Рогожников А., Казеев Н., Чекалина В., Нейчев Р., Кириллов С., Ратников Ф. Machine Learning based global particle identification algorithms at LHCb experiment Journal of Physics: Conference Series (год публикации - 2018)
13. Аззолини В., Борисяк М., Серминара Г., Деркач Д., Францони Г., Де Гуйо Ф., Коваль О., Пьерини М., Пол А., Ратников Ф., Сироки Ф., Устюжанин А., Влиман Ж-Р. Deep Learning Method for Inferring Cause of Data Anomalies Journal of Physics: Conference Series (год публикации - 2018)
Публикации
1.
Гущин М., Чекалина В.
Particle-identification techniques and performance at LHCb in Run 2
Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment, 10 144 (год публикации - 2018)
10.1016/j.nima.2018.10.144
2.
Аззолини В., Борисяк М., Серминара Г., Деркач Д., Францони Г., Де Гуйо Ф., Коваль О., Пьерини М., Пол А., Ратников Ф., Сироки Ф., Устюжанин А., Влиман Ж-Р.
Deep Learning Method for Inferring Cause of Data Anomalies
Journal of Physics: Conference Series, Vol. 1085. No. 042015. (год публикации - 2018)
10.1088/1742-6596/1085/4/042015
3.
Деркач Д., Гущин М., Лихоманенко Т., Рогожников А., Казеев Н., Чекалина В., Нейчев Р., Кириллов С., Ратников Ф.
Machine-Learning-based global particle-identification algorithms at the LHCb experiment
Journal of Physics: Conference Series, Vol. 1085. No. 4. P. 1-5. (год публикации - 2018)
10.1088/1742-6596/1085/4/042038
4.
Казеев Н.А., Деркач Д. А, Ратников Ф.Д., Устюжанин А.Е., Волохова А.С.
Cherenkov detectors fast simulation using neural networks
Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment (год публикации - 2019)
10.1016/j.nima.2019.01.031
5. Гущин М.И., Деркач Д.А., Казеев Н.А. Machine Learning based Global Particle Identification Algorithms at the LHCb Experiment EPJ Web of Conferences (год публикации - 2019)
6.
М. Борисяк, Н. Казеев
Machine Learning on data with sPlot background subtraction
Journal of Instrumentation, 14, no.08, P08020 (год публикации - 2019)
10.1088/1748-0221/14/08/P08020
7. Казеев Н. А. Machine Learning for Muon Identification at LHCb Journal of Physics: conference series (год публикации - 2020)
8. Борисяк М. С., Рыжиков А. С., Устюжанин А. Е., Деркач Д. А, Ратников Ф. Д., Минеева О. А. (1 + epsilon)-class Classification: an Anomaly Detection Method for Highly Imbalanced or Incomplete Data Sets Journal of Machine Learning Research, 21(72):1−22, 2020. (год публикации - 2020)
9. Казеев Н. А., Борисяк М. А. Machine Learning on sWeighted data Journal of Physics: Conference Series (год публикации - 2020)
10. Рыжиков А.С, Гущин М.И., Деркач Д.А. Variational Dropout Sparsification for Particle Identification speed-up Journal of Physics: Conference Series (год публикации - 2020)
11. Маевский А. С., Деркач Д.А., Казеев Н. А., Устюжанин А.Е, Артемьев М. Р., Андерлини Л. Fast Data-Driven Simulation of Cherenkov Detectors Using Generative Adversarial Networks Journal of Physics: Conference Series (год публикации - 2020)
12. Деркач Д., Гущин М., Лихоманенко Т., Рогожников А., Казеев Н., Чекалина В., Нейчев Р., Кириллов С., Ратников Ф. Machine Learning based global particle identification algorithms at LHCb experiment Journal of Physics: Conference Series (год публикации - 2018)
13. Аззолини В., Борисяк М., Серминара Г., Деркач Д., Францони Г., Де Гуйо Ф., Коваль О., Пьерини М., Пол А., Ратников Ф., Сироки Ф., Устюжанин А., Влиман Ж-Р. Deep Learning Method for Inferring Cause of Data Anomalies Journal of Physics: Conference Series (год публикации - 2018)