https://wiki.cs.hse.ru/api.php?action=feedcontributions&feedformat=atom&user=Fratnikov 2026-09-21T18:27:36Z Вклад MediaWiki 1.43.9 https://wiki.cs.hse.ru/index.php?title=LAMBDA:_%D0%9F%D0%BE%D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%B8%D0%B5_Generative_Adversial_Network_%D0%B4%D0%BB%D1%8F_%D0%B1%D1%8B%D1%81%D1%82%D1%80%D0%BE%D0%B9_%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%86%D0%B8%D0%B8_%D0%BE%D1%82%D0%BA%D0%BB%D0%B8%D0%BA%D0%BE%D0%B2_%D0%BA%D0%B0%D0%BB%D0%BE%D1%80%D0%B8%D0%BC%D0%B5%D1%82%D1%80%D0%BE%D0%B2_%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2_%D1%8D%D0%BB%D0%B5%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%80%D0%BD%D1%8B%D1%85_%D1%87%D0%B0%D1%81%D1%82%D0%B8%D1%86_%D0%B2_%D0%A6%D0%95%D0%A0%D0%9D_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=25167 2017-10-12T13:48:20Z

<p>Fratnikov: /* Что это за проект? */</p> <hr /> <div>{{Карточка_командного_проекта<br /> |name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН<br /> |company=<br /> |semester=Осень 2017<br /> |course=3<br /> |number_of_students=2-3<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Отклики частицы в калориметре по сути являются изображением, но генерация их обычными методами полной физической симуляции требует значительных компьютерных ресурсов.<br /> Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухкомпонентной сети, одна компонента которой создает изображения, а другая - разделяет их на &quot;искуственные&quot; и &quot;настоящие&quot;.<br /> В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях<br /> <br /> === Чему научатся студенты? Что самое интересное в проекте? ===<br /> Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера<br /> <br /> === Организация работы (Как студенты будут работать в команде?) ===<br /> Распределение работы создаётся по итогам регистрации желающих участвовать.<br /> <br /> === Компоненеты (Из каких частей состоит проект?) ===<br /> 1) Воспроизведение бейзлайна на существующих данных<br /> 2) Улучшение бейзлайна <br /> 3) Учет нюансов отдельно взятого детектора детектора<br /> <br /> === Какие будут использоваться технологии? ===<br /> -<br /> <br /> === Какие начальные требования? ===<br /> Хорошее знание математического анализа и математической статистики<br /> Хорошее знание школьного курса физики<br /> Умение писать и читать код на python (опционально - использовать jypiter, docker)<br /> Не пугаться Git<br /> <br /> === Темы вводных занятий ===<br /> 1) Что такое GUN - несколько общих слов и простой примерчик.<br /> 2) Калориметры LHC - структура и особенности.<br /> <br /> === Критерии оценки ===<br /> -<br /> <br /> === Похожие проекты ===<br /> -<br /> <br /> === Контактная информация ===<br /> Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru</div>

Fratnikov https://wiki.cs.hse.ru/index.php?title=LAMBDA:_%D0%9F%D0%BE%D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%B8%D0%B5_Generative_Adversial_Network_%D0%B4%D0%BB%D1%8F_%D0%B1%D1%8B%D1%81%D1%82%D1%80%D0%BE%D0%B9_%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%86%D0%B8%D0%B8_%D0%BE%D1%82%D0%BA%D0%BB%D0%B8%D0%BA%D0%BE%D0%B2_%D0%BA%D0%B0%D0%BB%D0%BE%D1%80%D0%B8%D0%BC%D0%B5%D1%82%D1%80%D0%BE%D0%B2_%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2_%D1%8D%D0%BB%D0%B5%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%80%D0%BD%D1%8B%D1%85_%D1%87%D0%B0%D1%81%D1%82%D0%B8%D1%86_%D0%B2_%D0%A6%D0%95%D0%A0%D0%9D_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=25166 2017-10-12T13:45:42Z

<p>Fratnikov: /* Что это за проект? */</p> <hr /> <div>{{Карточка_командного_проекта<br /> |name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН<br /> |company=<br /> |semester=Осень 2017<br /> |course=3<br /> |number_of_students=2-3<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Следы частицы на поверхности калориметра по сути являются изображением, и генерация их обычными методами требует значительных машинных ресурсов.<br /> Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухчастичной сети, одна часть которой создает изображения, другая - разделяет их на &quot;созданные&quot; и &quot;настоящие&quot;.<br /> В случае получения приемлемого качества генерации, возможна имплементация в систему симуляции отклика детекторов LHC с соответствующими кредитами в научных публикациях<br /> <br /> === Чему научатся студенты? Что самое интересное в проекте? ===<br /> Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера<br /> <br /> === Организация работы (Как студенты будут работать в команде?) ===<br /> Распределение работы создаётся по итогам регистрации желающих участвовать.<br /> <br /> === Компоненеты (Из каких частей состоит проект?) ===<br /> 1) Воспроизведение бейзлайна на существующих данных<br /> 2) Улучшение бейзлайна <br /> 3) Учет нюансов отдельно взятого детектора детектора<br /> <br /> === Какие будут использоваться технологии? ===<br /> -<br /> <br /> === Какие начальные требования? ===<br /> Хорошее знание математического анализа и математической статистики<br /> Хорошее знание школьного курса физики<br /> Умение писать и читать код на python (опционально - использовать jypiter, docker)<br /> Не пугаться Git<br /> <br /> === Темы вводных занятий ===<br /> 1) Что такое GUN - несколько общих слов и простой примерчик.<br /> 2) Калориметры LHC - структура и особенности.<br /> <br /> === Критерии оценки ===<br /> -<br /> <br /> === Похожие проекты ===<br /> -<br /> <br /> === Контактная информация ===<br /> Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru</div>

Fratnikov https://wiki.cs.hse.ru/index.php?title=LAMBDA:_%D0%9F%D0%BE%D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%B8%D0%B5_Generative_Adversial_Network_%D0%B4%D0%BB%D1%8F_%D0%B1%D1%8B%D1%81%D1%82%D1%80%D0%BE%D0%B9_%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%86%D0%B8%D0%B8_%D0%BE%D1%82%D0%BA%D0%BB%D0%B8%D0%BA%D0%BE%D0%B2_%D0%BA%D0%B0%D0%BB%D0%BE%D1%80%D0%B8%D0%BC%D0%B5%D1%82%D1%80%D0%BE%D0%B2_%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2_%D1%8D%D0%BB%D0%B5%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%80%D0%BD%D1%8B%D1%85_%D1%87%D0%B0%D1%81%D1%82%D0%B8%D1%86_%D0%B2_%D0%A6%D0%95%D0%A0%D0%9D_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=25165 2017-10-12T13:43:55Z

<p>Fratnikov: /* Контактная информация */</p> <hr /> <div>{{Карточка_командного_проекта<br /> |name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН<br /> |company=<br /> |semester=Осень 2017<br /> |course=3<br /> |number_of_students=2-3<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Следы частицы на поверхности калориметра по сути являются изображением, и генерация их обычными методами требует значительных машинных ресурсов.<br /> Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухчастичной сети, одна часть которой создает изображения, другая - разделяет их на &quot;созданные&quot; и &quot;настоящие&quot;.<br /> В случае получения приемлемого качества генерации, возможна имплементация в систему LHC.<br /> <br /> === Чему научатся студенты? Что самое интересное в проекте? ===<br /> Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера<br /> <br /> === Организация работы (Как студенты будут работать в команде?) ===<br /> Распределение работы создаётся по итогам регистрации желающих участвовать.<br /> <br /> === Компоненеты (Из каких частей состоит проект?) ===<br /> 1) Воспроизведение бейзлайна на существующих данных<br /> 2) Улучшение бейзлайна <br /> 3) Учет нюансов отдельно взятого детектора детектора<br /> <br /> === Какие будут использоваться технологии? ===<br /> -<br /> <br /> === Какие начальные требования? ===<br /> Хорошее знание математического анализа и математической статистики<br /> Хорошее знание школьного курса физики<br /> Умение писать и читать код на python (опционально - использовать jypiter, docker)<br /> Не пугаться Git<br /> <br /> === Темы вводных занятий ===<br /> 1) Что такое GUN - несколько общих слов и простой примерчик.<br /> 2) Калориметры LHC - структура и особенности.<br /> <br /> === Критерии оценки ===<br /> -<br /> <br /> === Похожие проекты ===<br /> -<br /> <br /> === Контактная информация ===<br /> Виктория Чекалина: vicusya17@mail.ru, Фёдор Ратников: fratnikov@hse.ru</div>

Fratnikov https://wiki.cs.hse.ru/index.php?title=LAMBDA:_%D0%9F%D0%BE%D1%81%D1%82%D1%80%D0%BE%D0%B5%D0%BD%D0%B8%D0%B5_Generative_Adversial_Network_%D0%B4%D0%BB%D1%8F_%D0%B1%D1%8B%D1%81%D1%82%D1%80%D0%BE%D0%B9_%D0%B3%D0%B5%D0%BD%D0%B5%D1%80%D0%B0%D1%86%D0%B8%D0%B8_%D0%BE%D1%82%D0%BA%D0%BB%D0%B8%D0%BA%D0%BE%D0%B2_%D0%BA%D0%B0%D0%BB%D0%BE%D1%80%D0%B8%D0%BC%D0%B5%D1%82%D1%80%D0%BE%D0%B2_%D0%B4%D0%B5%D1%82%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2_%D1%8D%D0%BB%D0%B5%D0%BC%D0%B5%D0%BD%D1%82%D0%B0%D1%80%D0%BD%D1%8B%D1%85_%D1%87%D0%B0%D1%81%D1%82%D0%B8%D1%86_%D0%B2_%D0%A6%D0%95%D0%A0%D0%9D_(%D0%BA%D0%BE%D0%BC%D0%B0%D0%BD%D0%B4%D0%BD%D1%8B%D0%B9_%D0%BF%D1%80%D0%BE%D0%B5%D0%BA%D1%82)&diff=25164 2017-10-12T13:42:32Z

<p>Fratnikov: /* Контактная информация */</p> <hr /> <div>{{Карточка_командного_проекта<br /> |name=Построение Generative Adversial Network для быстрой генерации откликов калориметров детекторов элементарных частиц в ЦЕРН<br /> |company=<br /> |semester=Осень 2017<br /> |course=3<br /> |number_of_students=2-3<br /> |categorize=yes<br /> }}<br /> <br /> === Что это за проект? ===<br /> Кроме реальных экспериментов, инструменты и подходы в ускорителях тестируются на искусственно сгенерированных данных. Симуляция экспериментов - обширная область физики высоких энергий. Следы частицы на поверхности калориметра по сути являются изображением, и генерация их обычными методами требует значительных машинных ресурсов.<br /> Вам предстоит создать нейросеть, которая будет генерировать отклики элементарных частиц на поверхности калориметра. За основу предлагается взять концепцию GAN - двухчастичной сети, одна часть которой создает изображения, другая - разделяет их на &quot;созданные&quot; и &quot;настоящие&quot;.<br /> В случае получения приемлемого качества генерации, возможна имплементация в систему LHC.<br /> <br /> === Чему научатся студенты? Что самое интересное в проекте? ===<br /> Проект даёт возможность познакомиться с основами обучения без учителя и разобраться в концепции Generative adversarial networks, а также разобраться со структурой экспериментов Большого адронного коллайдера<br /> <br /> === Организация работы (Как студенты будут работать в команде?) ===<br /> Распределение работы создаётся по итогам регистрации желающих участвовать.<br /> <br /> === Компоненеты (Из каких частей состоит проект?) ===<br /> 1) Воспроизведение бейзлайна на существующих данных<br /> 2) Улучшение бейзлайна <br /> 3) Учет нюансов отдельно взятого детектора детектора<br /> <br /> === Какие будут использоваться технологии? ===<br /> -<br /> <br /> === Какие начальные требования? ===<br /> Хорошее знание математического анализа и математической статистики<br /> Хорошее знание школьного курса физики<br /> Умение писать и читать код на python (опционально - использовать jypiter, docker)<br /> Не пугаться Git<br /> <br /> === Темы вводных занятий ===<br /> 1) Что такое GUN - несколько общих слов и простой примерчик.<br /> 2) Калориметры LHC - структура и особенности.<br /> <br /> === Критерии оценки ===<br /> -<br /> <br /> === Похожие проекты ===<br /> -<br /> <br /> === Контактная информация ===<br /> Виктория Чекалина, vicusya17@mail.ru<br /> Фёдор Ратников, fratnikov@hse.ru</div>

Fratnikov