Применение методов машинного обучения в международных физических экспериментах Байкал-GVD (Россия) и Telescope Array (США).

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 22-22-20063

НазваниеПрименение методов машинного обучения в международных физических экспериментах Байкал-GVD (Россия) и Telescope Array (США).

Руководитель Харук Иван Вячеславович, Кандидат физико-математических наук

Организация финансирования, регион Федеральное государственное бюджетное учреждение науки Институт ядерных исследований Российской академии наук , г Москва

Конкурс №65 - Конкурс 2022 года «Проведение фундаментальных научных исследований и поисковых научных исследований малыми отдельными научными группами» (региональный конкурс)

Область знания, основной код классификатора 02 - Физика и науки о космосе; 02-104 - Космические лучи

Ключевые слова машинное обучение, нейронные сети, большие объемы данных, космические лучи, нейтрино, астрофизика.

Код ГРНТИ29.05.45

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Применение методов машинного обучения в различных физических экспериментах позволило существенно улучшить качество итоговых результатов. Вследствие этого, в настоящее время во многих экспериментах идёт активное внедрение методов машинного обучения на всех стадиях анализа и подготовки данных, а также разработка новых алгоритмов. В рамках настоящего проекта планируется разработка подобных методов (а именно, нейронных сетей) для международных экспериментов Байкал-GVD и Telescope Array. Это позволит поднять их точность, и, как следствие, конкурентоспособность и международный престиж. На данный момент, коллаборация Байкал-GVD не применяет методы машинного обучения для анализа данных. Поэтому внедрение методов машинного обучения будет важным шагом, открывающим для коллаборации новое направление для улучшения точности итоговых предсказаний. Методы, разработанные в рамках настоящего проекта, могут быть в дальнейшем с небольшими изменениями применены в других экспериментах (например, TAIGA, Россия). В силу этого, решаемый круг задач не ограничивается исключительно экспериментами Байкал-GVD и Telescope Array.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. И. Харук, Г. Сафронов, А. Мацейко, А. Леонов Machine learning in Baikal-GVD experiment Proceedings of Science (Sissa Medialab Srl), PoS ICRC2023 (2023), 1077 (год публикации - 2023)
10.22323/1.444.1077

2. И. Харук, Р. Фитагдинов Generation of the ground detector readings of the Telescope Array experiment and the search for anomalies using neural networks Вестник Московского университета. Серия 3 (год публикации - 2023)
10.3103/S0027134923070068

3. И. Харук, Г. Рубцов, Г. Сафронов. Rejecting noise in Baikal-GVD data with neural networks Journal of Instrumentation (JINST), JINST 18 (2023) 09, P09026 (год публикации - 2023)
10.1088/1748-0221/18/09/P09026

4. А. Леонов, О. Калашев, И. Харук Deep Learning for Arrival Angle Prediction in the Baikal Neutrino Telescope Вестник Московского университета. Серия 3 (год публикации - 2023)
10.3103/S0027134923070214

5. А. Мацейко, И. Харук Application of Machine Learning Methods in Baikal-GVD: Background Noise Rejection and Selection of Neutrino-Induced Events Вестник Московского университета. Серия 3 (год публикации - 2023)
10.3103/S0027134923070226

6. И. Харук и остальные Search for EeV photon-induced events at the Telescope Array Proceedings of Science (Sissa Medialab Srl), PoS ICRC2023 (2023), 324 (год публикации - 2023)
10.22323/1.444.0324

7. И. Харук, А. Мацейко,А. Леонов Применение методов машинного обучения в эксперименте Байкал-GVD Ядерная физика и инжиниринг (год публикации - 2023)