Upload
nikita-kazeev
View
528
Download
1
Embed Size (px)
Citation preview
Преобладание материи надантиматерией
› Почти вся наблюдаемаяВселенная состоит изматерии
› Большинство законовCP-инвариантны
Иллюстрация: http://thesciencenewss.blogspot.ru/2012/03/atom-of-antimatter-was-measured-for.html 4
Тёмная материя
› Наблюдаемыегравитационные эффекты несогласуются с наблюдаемымво Вселенной количествомматерии.
› Предположительно, этостабильные, массивные,электрически нейтральныечастицы.
Иллюстрация: http://naukas.com/2011/06/07/confirmada-la-existencia-de-energia-oscura/ 5
Масса нейтрино
› Нейтрино осциллируют,следовательно массивны(Нобелевская премия 2015)
› Являются ли онимайорановскимифермионами?
› Существуют ли стерильныенейтрино?
Иллюстрация: Нобелевский комитет 6
ЦЕРН - уникальная организация
› Крупнейшая в мирелаборатория по физикечастиц
› Институты из более 100стран
› Дипломатический иммунитету сотрудников (не у меня)
› Лучшая столовая из всех, гдея бывал
Фотография: http://www.mapio.cz/a/55438126/?page=3 8
Физика в LHCb
LHCb is a dedicated b and c - physics precision experiment at theLHC that will search for New Physics (NP) beyond the StandardModel (SM) through the study of very rare decays of charm andbeauty - flavoured hadrons and precision measurements of CP -violating observables.
”B physics at LHCb” Monica Pepe Altarelli and Frederic Teubert
Никита Казеев 13
Идея анализа
1. Выбрать распад для изучения
2. Теоретически оценить его вероятность в рамках Стандартноймодели
3. Посчитать его частоту в коллайдере
4. Принять или отвергнуть гипотезу, что они одинаковы
Никита Казеев 15
Схема анализа
Детектор Ферма GRID
Workstation
107
cобытий/с103-104
cобытий/с Хранит1011 в Run 1
Триггеры
Селекция Анализ
Никита Казеев 18
Машинное обучение
› Идея: построить модель, описывающую данные
› Проблема: сложные модели сложно найти, рассчитать,применить к данным и проверить (Вы пробовали решитьуравнение Шредингера для 100 частиц? Как Вы будетепроверять результат такого расчёта? Какому законуподчиняются клики в поиске Яндекса?)
› Выход: взять класс моделей, априори не имеющих отношенияк реальности, но достаточно гибких, чтобы описыватьтребуемые характеристики, но при этом удобных для расчёта.Простейший пример: сплайны.
Никита Казеев 19
Машинное обучение
› Идея: построить модель, описывающую данные
› Проблема: сложные модели сложно найти, рассчитать,применить к данным и проверить (Вы пробовали решитьуравнение Шредингера для 100 частиц? Как Вы будетепроверять результат такого расчёта? Какому законуподчиняются клики в поиске Яндекса?)
› Выход: взять класс моделей, априори не имеющих отношенияк реальности, но достаточно гибких, чтобы описыватьтребуемые характеристики, но при этом удобных для расчёта.Простейший пример: сплайны.
Никита Казеев 19
Машинное обучение
› Идея: построить модель, описывающую данные
› Проблема: сложные модели сложно найти, рассчитать,применить к данным и проверить (Вы пробовали решитьуравнение Шредингера для 100 частиц? Как Вы будетепроверять результат такого расчёта? Какому законуподчиняются клики в поиске Яндекса?)
› Выход: взять класс моделей, априори не имеющих отношенияк реальности, но достаточно гибких, чтобы описыватьтребуемые характеристики, но при этом удобных для расчёта.Простейший пример: сплайны.
Никита Казеев 19
Машинное обучение в анализе
Детектор Ферма GRID
Workstation
107
cобытий/с103-104
cобытий/с Хранит1011 в Run 1
Триггеры ML
Селекция ML Анализ ML
Никита Казеев 20
CERN mission
Established by a convention in 1954, the mission of CERN has fourstrands:
› Research. Seeking and finding answers to questions about theuniverse.
› Technology. Advancing the frontiers of technology.
› Collaborating. Bringing nations together through science.
› Education. Training the scientists of tomorrow.
Никита Казеев 22
Миссия Яндекса (выдержка)› Яндекс — технологическая компания. В основе нашихсервисов лежат сложные, уникальные, трудновоспроизводимые технологии. Именно они позволяют намделать то, что еще некоторое время назад люди приняли бы заволшебство.
› Наука. Нам удалось собрать команду специалистов во многихобластях науки — в математике, анализе данных,программировании, лингвистике и других дисциплинах.Вычислительные возможности и алгоритмы Яндексаиспользуют и наши партнеры для проведения своих научныхисследований — например, в области ядерных исследованийи геологоразведки.
Никита Казеев 23
Топологический триггер
› Отбирает всевозможныераспады b-адрона.
› Использовался в 60%публикаций по Run 1.
› Эффективность - процентнужных событий, которыйбудет отобран триггером.
Никита Казеев 25
Эффективность с MatrixNet
1 2 3 4 5 60
10
20
30
40
50
60
70
80
90
Run-I (Before optimization) MatrixNet
Никита Казеев 26
𝜏− → 𝜇−𝜇+𝜇−
› Распад нарушает сохранение лептонного аромата
› Не нашли: 𝑝 < 4.6 ⋅ 10−8, 90% значимость.
› Использовали MatrixNet в составе иерархии классификаторов(+6%)
Published: JHEP 02 (2015) 121 27
Оптимизация хранения данных
› Данные можно хранить на жестких дисках (дорого и быстро) имагнитных кассетах (дёшево и медленно)
› Мы использовали машинное обучение, чтобы предсказать,какие файлы не буду востребованы.
› Экономит около 40% данных LHCb, из них ошибочно около1% файлов.
Никита Казеев 28
Event Index - поиск по событиям
› Быстрый (15-60с) поиск по высокоуровневым критериям по1010 событиям.
› Построение гистограмм по высокоуровневым переменным.
› Интегрированная визуализация событий by ChristophLangenbruch.
› Построен на технологиях с открытым кодом (Apache Lucene).
Никита Казеев 31
Поиск аномалий в работе детектора
› В ближайших планах
› Проблема: части детектора выходят из строя
› Сейчас люди 24/7 смотрят на гистограммы
› Хотим сделать автоматический поиск
Никита Казеев 32
CRAYFIS
› Детектор космических лучей,построенный из смартфонов
› На стадии тестированияидеи
› Чтобы сравняться с PierreAuger Observatory,необходима плотностьустройств 400/км2 наплощади 3000 км2
Иллюстрация: http://www.scifun.ed.ac.uk/card/images/left/cosmic-rays.jpg 33
Образование
› Summer school on Machine Learning in High Energy Physicshttp://www.hse.ru/mlhep2015/
› 𝜏− → 𝜇−𝜇+𝜇− соревнование на Kaggle.https://www.kaggle.com/c/flavours-of-physics
› School in Imperial College Londonhttps://github.com/arogozhnikov/YSDA_ICL
Никита Казеев 34
Образование - приглашаем
› Machine Learning for the LHC Distributed Data Placement andTrack Finding 7.12.15-9.12.15, Kurchatov Institutehttps://indico.cern.ch/event/452159/
› ALEPH Workshop @ NIPS 2015 7.12.15-12.12.15, Montrealhttps://yandexdataschool.github.io/aleph2015/
› Flavours of Physics; Machine Learning workshop, February 2016,University of Zurichhttps://indico.cern.ch/event/433556 (page WiP)
› Summer school on Machine Learning in High Energy Physics,Summer 2016, somewhere in Europe
Никита Казеев 35
Заключение
› Современная фундаментальная физика немыслима безкомпьютеризированного анализа данных.
› ШАДу это интересно, а Вам?
› Мы с радостью рассмотрим расширение сферы деятельностиза пределы физики в ЦЕРНе.
Никита Казеев 36