Научные направления Школы
Распределенные и высокопроизводительные вычисления для решения задач на ускорительном комплексе NICA и нейтринной программы ОИЯИ:
Математическое моделирование, численные методы и алгоритмы для решения прикладных задач ОИЯИ:
Машинное обучение и искусственный интеллект для решения прикладных и научных задач ОИЯИ:
Аналитика Больших данных:
Распределенные и высокопроизводительные вычисления для решения задач на ускорительном комплексе NICA и нейтринной программы ОИЯИ
SPD (Spin Physics Detector) это планируемый эксперимент по спиновой физике на адронном коллайдере NICA, мегасайенс-установке, которая строится в ОИЯИ (г.Дубна, Россия). Основная цель эксперимента - проверка основ квантовой хромодинамики (КХД), фундаментальной теории сильных ядерных взаимодействий, путем изучения поляризованной структуры нуклона и спиновых явлений при столкновении продольно и поперечно поляризованных протонов и дейтронов с энергией центра масс до 27 ГэВ. и светимостью до 10^32 см-2 с-1. Для этого будут проведены измерения зависящих от поперечного импульса партонных распределений (TMD PDF) для глюонов в таких сложных процессах, как рождение очарованных частиц, состояний чармония и прямых фотонов.
Детектор SPD задуман как универсальный 4π-спектрометр, основанный на современных технологиях. Общее количество каналов регистрации в установке SPD составляет около 500000. С учетом ожидаемой максимальной частоты столкновений частиц в коллайдере около 3 МГц, суммарный поток данных с детектора можно оценить как 20 ГБ / с, что эквивалентно 200 ПБ/год (для эксперимента предполагается выделить 30% пучкового времени коллайдера). Сбор, обработка и хранение такого объема данных представляет собой серьезную проблему для вычислительной инфраструктуры эксперимента и требует разработки новых методов и подходов для реконструкции событий, моделирования и физического анализа данных с использованием высокопроизводительных и распределенных вычислений. Однако в Российской Федерации отсутствует опыт построения вычислительных систем с подобной производительностью, что делает обозначенную в настоящем проекте проблему крайне актуальной.
В рамках проекта планируется разработать и реализовать на уровне прототипов программно-аппаратных решений модель обработки данных для эксперимента SPD, включая фильтрации данных в режиме реального времени с использованием технологий искусственного интеллекта, систему распределенной обработки данных и программное обеспечение для автономной (оффлайн) обработки данных, способное эффективно использовать многоядерные и гетерогенные вычислительные ресурсы. Для достижения поставленных целей будут разработаны соответствующие алгоритмы обработки данных с применением методов машинного обучения с использованием глубоких нейронных сетей.
Возможные темы дипломных работ:
- Управление процессом обработки данных эксперимента SPD;
- Управление процессом распределения нагрузки;
- Управление процессом запуска заданий в географически распределенной среде;
- Адаптация программного обеспечения SpdRoot для эффективной работы на многоядерных компьютерах при выполнении задач моделирования.
Тема: Моделирование работы распределённой вычислительной системы (И.С. Пелеванюк, ЛИТ ОИЯИ)
Для обработки больших объёмов научных данных используются распределённые гетерогенные вычислительные системы. В такую систему отправляются десятки тысяч задач, каждая из которых загружает некоторый объём исходных данных, обрабатывает эти данные и посылает результат в хранилище. В случае, когда таких задач много, требуется учитывать помимо вычислительной нагрузки - нагрузку на диск, оперативную память и сеть. В определённых условиях возможна ситуация, когда добавление новых вычислительных узлов не будет ускорять выполнение научных задач. Для того, чтобы заранее определить способна ли распределённая система эффективно выполнять пользовательские задачи, требуется система моделирования, которая могла бы показать какая нагрузка будет ложиться на все узлы распределённой сети: сервера, кластеры, системы хранения. Сейчас, для обработки данных эксперимента MPD используется платформа DIRAC. Из неё можно получить текущую конфигурацию вычислительной сети.
Требуется создать программный комплекс, способный принимать конфигурацию распределённой вычислительной сети и конфигурацию потока задач. На основе этой информации проводить имитационное моделирование и показывать статистику по нагрузке на ресурсах. (Python - продвинутый уровень).
Тема: Разработка плагина Wordpress для сайта ОИЯИ (Н.А. Балашов, ЛИТ ОИЯИ)
Работа связана с разработкой и добавлением нового функционала сайта ОИЯИ – www.jinr.ru.
Математическое моделирование, численные методы и алгоритмы для решения прикладных задач ОИЯИ
В исследованиях в рамках ТФ и ФВЭ возникают проблемы, которые плохо формализуемые, либо их формальная математическая постановка требует привлечения сложного (а возможно еще не существующего) математического аппарата для их решения. В таких случаях может быть полезно применение методов машинного обучения. Планируется исследовать возможность использования машинного обучения при решении прямых и обратных задач для нелинейных уравнений, описывающих исследуемые физические процессы. Такой подход должен быть общим, т.е. независимым от физической сути решаемой проблемы, и эффективным, чтобы получить реальное применение на практике. Основной проблемой в данном направлении исследований является постановка задачи с точки зрения машинного обучения, а также формирование выборки, обучение на которой позволит решать поставленную задачу.
Требование к студентам: знание математических основ дифференциальных уравнений, основ машинного обучения, а также элементарное владение Python; желательно элементарное владение библиотеками NumPy, TensorFlow, Keras, Pandas, Pytorch.
Что приобретет студент: практику решения актуальных научных задач, повышение квалификации в области машинного обучения, дипломную работу, обладающую научной новизной и актуальностью.
Возможные темы дипломных работ:
- Решение обратной задачи Толмана-Оппегеймера-Волкова с применением сверхточных нейронных сетей;
- Нейросетевой подход к прямому и обратному вейвлет-преобразованию;
- Дерево решений для распознавания распадов элементарных частиц по данным детектора MPD на NICA.
Аномальный эффект Джозефсона, который заключается в возникновении фазового сдвига в ток-фазовом соотношении гибридной джозефсоновской структуры, состоящей из сверхпроводников и магнетиков приводит к конечному сверхпроводящему току при нулевой джозефсоновской разности фаз. Этот фазовый сдвиг пропорционален намагниченности магнетика и данный эффект отражает совместное проявление сверхпроводимости и магнетизма.
Активный интерес в исследовании гибридных джозефсоновских структур вызван возможностью их практического приложения. Возникающая связь между магнитным и сверхпроводниковыми степенями свободы дает возможность взаимного контроля т.е. управления магнитными свойствами посредством сверхпроводящего тока или наоборот. В частности возможность реализации переворота намагниченности импульсом сверхпроводящего тока дает перспективные возможности для создания криогенных ячеек памяти. Также в подобных структурах наблюдается ферромагнитный резонанс, который приводит к появлению независящей от времени сверхпроводящего тока и его проявления на вольтамперной характеристике в виде резонансной ветви. При определенных пределах параметров этот резонанс может быт нелинейным, в результате чего система демонстрирует отрицательное дифференциальное сопротивления, что может найти широкое практическое применение при разработке современных технологий.
Исследование таких структур позволяет продвинуться в понимании взаимного влияния и открывает многообещающие применение результатов исследований в сверхпроводниковой спинтронике. Математическое моделирования физических процессов в гибридных джозефсоновских структурах приводит к системам нелинейных дифференциальных уравнений. В рамках планируемых научно-исследовательских работ со студентами будут рассмотрены различные методы численного решения подобных нелинейных уравнений, а также будут рассмотрены использования возможности имеющихся высокопроизводительных вычислительных систем. Основная цель планируемых работ со студентами заключается в передаче полученного на протяжении нескольких лет опыта исследования джозефсоновских структур студентам и получения новых научных результатов.
Современные теоретические расчеты связаны с различными физическими и математическими методами моделирования возможных процессов, происходящих при переходе материи из одного фазового состояния в другое. Такой анализ требует создания серьезного компьютерного обеспечения на уровне создания новых алгоритмов, методов расчета и пакетов программ.
Возможные темы дипломных работ:
- Свойства дикварков и барионов при конечной температуре/плотности;
- "Horn” - эффект для барионов со странностью;
- Алгоритмы и методы расчета треугольных диаграмм при конечной температуре;
- Расчет процессов рассеяния адронов в адронном газе;
- Процессы рассеяния с участием глюонов (gg → ππ);
- Распад ρ → γγ при конечной температуре/плотности.
Машинное обучение и искусственный интеллект для решения прикладных и научных задач ОИЯИ
Направления работ по ML/DL (д.физ.-мат.н. Г.А. Ососков, к.т.н. Ужинский А. В., ЛИТ ОИЯИ)
Возможные темы дипломных работ:
- Оптимизация нейросетевых архитектур для решения задачи классификации болезней растений по фотографиям;
- Развитие проекта pdd.jinr.ru. Изучение и поиск оптимальных подходов и механизмов для достижения высокой точности при определении болезней растений. ( Знание pytorch);
- Разработка нейростевых решений для определения и классификации еды на подносах в условиях малой обучающей выборки;
- Разработка решений для сферы интеллектуальных ресторанов и систем самообслуживания. (Знание pytorch, yolo);
- Модернизация мобильного приложения для фиксации мета-информации при сборе образцов проекта ICP Vegetation;
- Модернизация мобильного приложения Moss ICP Vegetation проекта moss.jinr.ru. (Знание Flutter);
- Прогнозирование загрязнения воздуха на основе данных дистанционного зондирования Земли и алгоритмов машинного обучения.
Аналитика Больших данных
С ростом количества доступной информации, исследователи сталкиваются с необходимостью работать с Большими данными (Big Data) практически всех типов: тексты на различных национальных языках, размерные физические величины, числа, балльные оценки качественных характеристик, графики и таблицы, символы, видео и аудио информация. В этих условиях необходимо разрабатывать новые эффективные методы и программные решения для сбора, обработки, анализа и визуализации данных. Приведенные ниже направления исследований направлены на научно-техническую поддержку ученых-исследователей ОИЯИ по различным тематическим направлениям.
Возможные темы дипломных работ:
- Разработка методов и программных средств автоматизированного сбора информации о научных публикациях;
- Методы графовой и визуальной аналитики для выявления тенденций в научных исследованиях;
- Оценка состояния развития предметной области на основе данных из открытых источников;
- Определение на основе публикаций характерных для научного коллектива направлений исследований.
