Supervizované a nesupervizované učení pro fyziku těžkých iontů

Abstract

Potřeba řešení komplexních problémů binární klasifikace ve fyzice těžkých iontů vyústila v častější užívání supervizovaných i nesupervizovaných algoritmů strojového učení. Spolu s vhodným předzpracováním dat a optimalizací hyperparametrů tak tvoří silný nástroj pro řešení takovýchto problémů. Tato práce porovnává několik přístupů strojového učení a efektu více typů předzpracování dat pro dva problémy fyziky těžkých iontů: identifikaci produktů rozpadu D a identifikaci povahy QCD fázového přechodu. Metody použité v této práci zahrnují náhodný les, hluboké neuronové sítě a konvoluční neuronové sítě s i bez reziduálních bloků.

The need of solving complex binary classification problems in the heavy ion physics has resulted in the usage of both supervised and unsupervised machine learning algorithms. Together with appropriate data preprocessing and hyper-parameters optimization they form a strong tool for addressing such problems. This study compares multiple machine learning approaches and data pre-processing dependencies for two heavy ion physics problems: D decay classification and identification of the nature of the QCD phase transition. The methods used in this thesis include random forest, deep neural networks and convolutional neural networks with and without residual blocks.