Решение задачи бинарной классификации мюонного распада с использованием нейронных сетей

На сегодняшний день число областей, в которых используются нейронные сети возрастает все больше. Это не только информационные технологии, но и, например, медицина, логистика, а также во многих областях науки. Для правильной и быстрой работы нейронной сети для конкретной задачи, важно выбрать оптимальную архитектуру. В данной работе рассматривается основные архитектуры нейронных сетей. Целью работы является изучение и сравнительный анализ существующих архитектур нейронных сетей, и их реализация для решения задачи распознавания мюонного распада. Тренировочными и тестовыми данными является база данных распадов большого адронного коллайдера и сгенерированные данные для классификации распада типа τ → µµµ . Результаты работы программ: время обучения, точность классификации и другие метрики, позволили определить оптимальную архитектуру сети и её параметры. Проект создан на основе образа tensorflow, загруженного с публичного Docker-реестра Docker Hub. Для построения нейронных сетей используется язык программирования Python 3 и сервис для интерактивных вычислений Jupyter Notebook, с использованием библиотек для машинного обучения Keras и Scikit-learn.

Solving the problem of binary classification of muon decay using neural networks

Today, the number of areas where neural networks are used is increasing. This is not only information technology, but also, for example, medicine, logistics, as well as many areas of science. For the correct and fast operation of the neural network for a specific task, it is important to choose the optimal architecture. This paper discusses the main architectures of neural networks. The purpose of this work is to study and compare existing neural network architectures and implement them to solve the problem of muon decay recognition. Training and test data is the database of large hadron Collider decays and generated data for classification of τ → µµ type decays. The results of the programs like training time, classification accuracy, and other metrics allowed us to determine the optimal network architecture and its parameters. The project is based on the tensorflow image downloaded from the Docker Hub registry. To build neural networks, we used the Python 3 programming language and the jupyter Notebook interactive computing service, using the Keras and Scikit-learn machine learning libraries.