| DC Field | Value | Language |
|---|
| dc.contributor.author | Устимчук, Р. В. | - |
| dc.contributor.author | Шубаба, М. И. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-06-04T08:05:14Z | - |
| dc.date.available | 2026-06-04T08:05:14Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Устимчук, Р. В. Машинное обучение в физических исследованиях = Machine learning in physics research / Р. В. Устимчук, М. И. Шубаба // Компьютерные системы и сети : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2026. – С. 713–719. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/63984 | - |
| dc.description.abstract | В работе рассмотрено применение машинного обучения в физике высоких энергий для преодоления «вычислительного кризиса» на Большом адронном коллайдере. Была описана эволюция методов идентификации струй и использование генеративных моделей (GAN, диффузионные сети) для ускорения симуляций в эксперименте CMS. Особое внимание уделено физически информированным нейросетям (PINN), интегрирующим законы физики в обучение, с примером реализации на PyTorch. Также проанализированы ограничения машинного обучения в физике, включая проблемы обобщения и интерпретируемости. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | машинное обучение | en_US |
| dc.subject | физика высоких энергий | en_US |
| dc.subject | идентификация струй | en_US |
| dc.subject | графовые нейронные сети | en_US |
| dc.subject | генеративно-состязательные сети | en_US |
| dc.subject | автоматическое дифференцирование | en_US |
| dc.subject | триггерные системы | en_US |
| dc.title | Машинное обучение в физических исследованиях | en_US |
| dc.title.alternative | Machine learning in physics research | en_US |
| dc.type | Article | en_US |
| local.description.annotation | In this paper, we examined the application of machine learning in high-energy physics to overcome the computational bottleneck at the Large Hadron Collider. We described the evolution of jet identification methods and the use of generative models (GANs, diffusion net works) to accelerate simulations in the CMS experiment. We focused on physically informed neural networks (PINNs), which integrate the laws of physics into training, with an example implementation in PyTorch. We analyzed the limitations of machine learning in physics, including issues of generalization and interpretability. | en_US |
| Appears in Collections: | Компьютерные системы и сети : материалы 62-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2026)
|
