محاسبات پیشرفته و رایانش ابری در فیزیک انرژی‌های بالا

کارگاه ۲

طراحی یک شبکه‌ عصبی گرافی با کاربرد حل مسئله در فیزیک ذرات

در دنیای فیزیک، داده‌های زیادی را می‌توان به صورت گراف‌های با اندازه‌های متغیر نمایش داد و از این نمایش جهت حل مسائل در قالب شبکه‌های عصبی گرافی (Graph Neural Networks) استفاده کرد: از سیستم‌های بس‌ذره‌ای کوانتومی و ساختارهای مطرح در فیزیک مواد پیشرفته گرفته تا مکانیک کلاسیک و طبقه‌بندی خوشه‌های کهکشانی. 

فیزیک انرژی‌های بالا از مهمترین کاربران GNN هاست بنحوی که آنها را به ابزاری بی‌نظیر در آزمایش‌های همچون ATLAS و CMS در ‌CERN و یا آشکارسازهایی همچون زنون و آزمایش‌های نوترینو بدل کرده است. اخیرا در ATLAS و CMS بخش عمده‌ای از بازسازی ذرات در آشکارساز و نیز شناسایی منشاء جت‌ها توسط این الگوریتم‌های نوظهور و رو‌به‌رشد انجام می‌شود. 

هدف کارگاه: ارائه‌ی یک دید کاربردی و قابل اجرا به کاربران درباره GNN  و انتقال مهارت‌های عملی است. برای این منظور، کارگاه ابتدا با یک مثال ساده شرکت کنندگان را با مفاهیم پایه آشنا می‌کند و سپس در قالب یک تمرین، به موضوع عملی تشخیص منشاء جت‌ها می‌پردازد. 

کتابخانه مورد‌نیاز: PyTorch, PyTorch Geometric --  تمامی کتابخانه‌ها و نرم‌افزارها در سیستم ابری در دسترس خواهند بود.

زبان برنامه‌نویسی: پایتون

الگوریتم‌های یادگیری ماشین: Graph Neural Networks