Обработка и реконструкция событий на коллайдерах с использованием методов машинного обучения

Abstract

В работе исследуется применение методов машинного обучения для реконструкции событий в экспериментах на коллайдерах. Рассмотрены ограничения классических алгоритмов (фильтр Калмана) в условиях высокой светимости и за шумленности. Проведен обзор современных архитектур нейронных сетей, включая графовые и сверточные сети. Показано, что методы машинного обучения позволяют эффективно обрабатывать зашумленные данные, выявлять сложные корреляции и повышать точность реконструкции, что делает их перспективным инструментом для систем сбора и обработки данных следующего поколения.