Konvoluční neuronové sítě v částicové fyzice

Abstract

Analýza dat v částicové fyzice zahrnuje komplexní klasiťikační úlohy. Ty jsou v současnosti často řešeny speciťickými metodami strojového učení, jako jsou například hluboké neuronové sítě. Klíčové problémy identiťikace částic přitom typicky vykazují podobnosti s problémy, jimž čelíme ve strojovém rozpoznávání obrazu. Motivováni budoucím využitím modelů pro rozpoznávání obrazu v rámci experimentu NOvA ve Fermilabu proto popíšeme výhody konvolučních neuronových sítí na poli klasiťikace obrazu. Vhodnost této metody pramení ze schopnosti samostatně se učit klasiťikační příznaky ze surových obrazových dat. Následně prezentujeme naše výsledky implementace hlubokých neuronových sítí na Monte Carlo simulovaných datech z oblasti částicové fyziky. Dále rovněž demonstrujeme efektivitu využití konvolučních neuronových sítí pro úlohu rozpoznávání obrazu ve srovnání s dalšími konvenčními metodami.

Data analysis in high energy physics is dealing with solving complex classiťication tasks. Hence speciťic machine learning approaches such as deep neural networks are often utilized today. The core problems of particle identiťication share many similarities with the problems faced in computer vision. We are motivated by future utilization of models used in computer vision for NOvA neutrino experiment in Fermilab. Thus we describe the beneťits of convolutional neural network modification in the area of image recognition tasks. These beneťits are originating from the ability to learn classiťication features from raw image pixels. Further we present our results of deep neural network implementations for Monte Carlo simulated data originating from high energy physics. Afterwards, we demonstrate the eÉectiveness of the convolutional neural network for image recognition tasks in comparison to other widely used methods.