Москва, www.hse.ru
Образовательные учреждения... Показать еще
Научный сотрудник
Работал научным сотрудником в лаборатории методов анализа больших данных (LAMBDA) ВШЭ из 33 человек, где занимаются исследованиями на стыке физики и машинного обучения.
Участвовал в коллаборации LHCb Большого Адронного Коллайдера (CERN). h-index: 22
Отвечал за задачи связанные с генеративным моделированием и идентификации частиц (PID) с помощью машинного обучения. Специфика этих задач - сильные требования к специальным метрикам, которые имею физический смысл.
Подробнее:
Моделировал отклики черенковского субдетектора LHCb помощью Cramer-GAN, изучал систематические неопределённости в отношении эффективностей между симуляцией GAN и Монте-Карло и поведение модели для различных каналов распада.
Моделировал камеру TPC детектора MPD коллайдера NICA с помощью WGAN-GP, пытался учесть корреляции между рядам пэдов TPC, которые влияют на различие в гистограммах Хи^2 между нашим моделированием и Монте-Карло.
Занимался внедрением методов PID на основе CatBoost в программный стек LHCb.
Показал, что модель обученная на одних каналах распада будет работать и на других каналах и что систематические неопределенности находятся под контролем. Подтвердил гипотезу, что для моделирования детектора можно использовать непосредственно высокоуровневые данные, а не только raw-отклик. Выполненные задачи позволили ускорить семплирование смоделированных данных, по сравнению с традиционным методом Монте-Карло (MCMC), что важно для поиска новых физических результатов в больших массивах экспериментальных данных
Основные публикации, помимо общих CERN-овских:
1. Towards Reliable Neural Generative Modeling of Detectors / Anderlini L., Barbetti M., Derkach D., Kazeev N., Maevskiy A., and Mokhnenko S. // Journal of Physics: Conference Series, 2438 012130.
https://iopscience.iop.org/article/10.1088/1742-6596/2438/1/012130
2. Robust Neural Particle Identification Models / Ryzhikov A., Temirkhanov A., Derkach D., Hushchyn M., Kazeev N. and Mokhnenko S. // Journal of Physics: Conference Series, 2438 012119.
https://iopscience.iop.org/article/10.1088/1742-6596/2438/1/012119
3. A full detector description using neural network driven simulation / Ratnikov F., Rogachev A., Mokhnenko S., Maevskiy A., Derkach D., Davis A., Kazeev N., Anderlini L., Barbetti M., Gianluca Siddi B. // Nuclear Instruments and Methods in Physics Research, Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2023. Vol. 1046. Article 167591.
http://doi.org/10.1016/j.nima.2022.167591
4. Lamarr: the ultra-fast simulation option for the LHCb experiment / Mokhnenko S., Ratnikov F., Kazeev N., Maevskiy A., Anderlini L., Barbetti M., Corti G., Davis A., Siddi B. G., Zehua X. // proceedings of science, sissa, italy. 2022. Vol. ICHEP2022. P. 233.
http://doi.org/10.22323/1.414.0233
Доклады на конференциях за последний год:
1. Generative adversarial networks in particle physics
XXIII Baikal Summer School on Physics of Elementary Particles and Astrophysics
11 July 2022 - 18 July 2023
2. Neural Generative Modeling of the Time Projection Chamber responses at the MPD detector
The use of new methods for processing data of a physical experiment. Application of machine learning methods on the NICA complex
28 August - 29 August 2023
3. Generative machine learning approach for fast simulation of the Time Projection Chamber responses at the MPD detector
The XXVth International Baldin Seminar on High Energy Physics Problems "Relativistic Nuclear Physics and Quantum Chromodynamics"
18 September - 23 September 2023