Vpis v letnik študija, priporočeno je obvladovanje snovi predmetov Verjetnost v fiziki in Matematično fizikalni praktikum.
Praktikum strojnega učenja v fiziki
Teorija verjetnosti, odločanja in informacij v fizikalnih podatkih
Iz nabora fizikalnih podatkov (npr. fizika delcev, astronomska opazovanja, jedrska fizika, ipd.) določi statistične količine kot so verjetnostna gostota, pričakovane vrednosti in kovarianca, bayesovska verjetnost ipd. V kontekstu uporabe metod strojnega učenja na fizikalnih zgledih definiraj koncepte napačne klasifikacije, pričakovane izgube, sklepanje in odločanje. Na fizikalnih zgledih uporabi tudi količine kot so relativna entropija in medsebojna informacija.
Verjetnostne porazdelitve v fizikalnih zgledih
Obravnava in klasifikacija binarnih, multinomskih in drugih diskretnih verjetnostnih porazdelitev in klasifikacij v fizikalnih podatkih. Zvezne porazdelitve, kot so Gaussovska ter eksponentna porazdelitev v fizikalnih modelih in meritvah. Uporaba strojnega učenja v kontekstu določanja parametrov verjetnostnih porazdelitev fizikalnih problemov.
Osnove metod Monte-Carlo in njihova implementacija v metodah strojnega učenja na fizikalnih zgledih.
Primeri:
-Vpeljava multinomskih porazdelitev v meritvah v fiziki osnovnih delcev, določitev njihove statistične in sistematske merske napake. Pristop k optimalni izbiri števila predelkov (binov) in obravnavanega območja s pomočjo različnih metod, ob upoštevanju omejitev merske ločljivosti merjenih parametrov.
-Preprosta simulacija razpadne verige nestabilnih delcev z upoštevanjem razpadnih širin in merske resolucije.
Modeliranje v fiziki z uporabo metod strojnega učenja
Na zgledih iz različnih vej fizike (od fizike trdne in mehke snovi, fizike delcev, medicinske fizike, do meteorologije in astronomije, ipd.) se vpelje obravnavo naslednjih konceptov:
Linearna regresija: Cenovna funkcija, gradientni spust, bayesijska regresija
Logistična regresija: Binarna in večrazredna klasifikacija, regularizacija, verjetnostni generativni in diskriminativni modeli.
Nevronske mreže: Dimenzijski urok, teorem univerzalnega približka, metoda vzvratnega razširjanja, metoda spusta s stohastičnim gradientom. Posebni primeri: Konvolucijske mreže, rekurzivne mreže, generativne nasprotniške mreže (GAN), variacijski samokodirniki (VAE).
Metode jeder in podpornih vektorjev, gaussovski procesi
Razvrščanje: modeli mešanic, algoritem K-povprečja, modeli mešanega članstva, analiza glavnih komponent, zaznavanje anomalij.
Približno sklepanje: variacijsko sklepanje, maksimizacija pričakovanja
Posebej se obravnava način izbire modelov v fiziki, na primer pri problemih pristranskosti in minimalne variance.
Primeri:
-Detekcija anomalij v jedrski fiziki in vrednotenje/klasifikacija le-teh z utežnimi koeficienti glede na fizikalni vpliv.
-Uporaba GAN in VAE za simulacijo odzivov detektorja na prehod delcev skozi snov, poudarek na dodajanju fizikalnih kriterijev v funkcijo izgube (npr. ohranitev gibalne količine ipd.).
• Simon Širca: Verjetnost v fiziki.
• Ivan Kuščer in Alojz Kodre: Matematika v fiziki In tehniki.
• Christopher M. Bishop: Pattern Recognition and Machine Learning
• Aurélien Géron: Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow
Študenti se seznanijo z osnovami teorije verjetnosti, odločanja in informacij v fizikalnih podatkih, verjetnostne porazdelitve v fizikalnih zgledih ter pridobijo praktične izkušnje pri modeliranju v fiziki z uporabo metod strojnega učenja.
Znanje in razumevanje
Znotraj konteksta fizikalnih problemov razviti razumevanje teorije strojnega učenja in izvedbe računskih postopkov strojnega učenja in sposobnost izbire ustreznega (optimalnega) tipa tovrstnih metod.
Uporaba
Veščina neposredne uporabe metod strojnega učenja in kvantitativnega ovrednotenja uporabe na konkretnih fizikalnih in fizikalno-tehničnih problemih.
Refleksija
Kritično ovredotenje učinkovitosti, napovedne moči in pravilnosti ter nepristranskosti delovanja uporabljene metode strojnega učenja.
Prenosljive spretnosti - niso vezane le na en predmet.
Sposobnost razumevanja osnovnih konceptov strojnega učenja in s tem povezanih vsebin iz verjetnosti in statistike. Uporabe tovrstnih numeričnih metod in računskih orodij na fizikalnih problemih, učinkovita uporaba pospeševalnih elementov (npr. GPU) ipd. Študent pridobi izkušnje v rabi računalniških orodij za strojno učenje pri obdelavi podatkov, njihovi klasifikaciji in modeliranju. Nadgradi tudi veščino pisanja poročila o izvedenem znanstvenem računskem projektu.
Predavanja, tedenski projekti, računalniški prikazi v živo, konzultacije.
Ocena se določi na podlagi doseženih točk N uspešno opravljenih tedenskih projektov.
(ocene: 5 (negativno), 6-10 (pozitivno;) ob upoštevanju Statuta UL in fakultetnih pravil).
Jernej Fesel Kamenik:
• Barry M. Dillon, Darius A. Faroughy and Jernej F. Kamenik, Uncovering latent jet substructure, Phys.Rev. D100 (2019) no.5, 056002
• Gregor Kasieczka (ed.), Jernej F. Kamenik et al., The Machine Learning Landscape of Top Taggers, SciPost Phys. 7 (2019) 014
Borut Paul Kerševan:
• Borut Paul Kersevan and Elzbieta Richter-Was, The Monte Carlo event generator AcerMC versions 2.0 to 3.8 with interfaces to PYTHIA 6.4, HERWIG 6.5 and ARIADNE 4.1 Comput.Phys.Commun. 184 (2013) 919-985
• ATLAS Collaboration (Aad, G., Borut Kersevan et al.), The ATLAS Simulation Infrastructure, Eur.Phys.J. C70 (2010) 823-874
• M. Grossi (Pavia U. and INFN, Pavia and Unlisted, IT), J. Novak (Stefan Inst., Ljubljana), B. Kersevan (Ljubljana U. and Stefan Inst., Ljubljana), D. Rebuzzi (Pavia U. and INFN, Pavia), Comparing traditional and deep-learning techniques of kinematic reconstruction for polarization discrimination in vector boson scattering, Eur.Phys.J.C 80 (2020) 12, 1144