Maskininlärning i fysik 7,5 hp

Om kursen

Den här kursen introducerar fysikstudenter till centrala maskininlärningskoncept, med tonvikt på fysikspecifika tillämpningar och utmaningar. Kursen täcker de viktigaste paradigmen för maskininlärning - övervakad och oövervakad, och förstärkningsinlärning - och studenterna kommer att lära sig att tillämpa dessa metoder på ett brett spektrum av fysikproblem.

Inom övervakad inlärning kommer tekniker som Support Vector Machines, linjär och logistisk regression, Gradient Boosting och Lasso att tillämpas för att klassificera partikelkollisionshändelser, förutsäga materialegenskaper och analysera fasövergångar i komplexa system. Viktiga algoritmer introduceras, som Naïve Bayes, K-Nearest Neighbors, Decision Trees och Random Forests. Dessa används som verktyg för att modellera relationer i fysiska system och förutsäga resultat under varierande förhållanden, med fokus på tolkningsbarhet och prediktionsförmåga i experimentella och teoretiska fysiksammanhang.

Inom oövervakad inlärning behandlas metoder för klustring och dimensionsreduktion som är skräddarsydda för att identifiera mönster och strukturer i stora, omärkta dataset som är vanliga inom astrofysik, kondenserad materia och kärnfysik. Tillämpningarna omfattar upptäckt av avvikelser i experimentella data, identifiering av galaxmorfologier och minskning av komplexa datadimensioner i högenergipartikelfysik för att avslöja underliggande dynamik.

I avsnittet om Reinforcement Learning introduceras värdebaserade, modellbaserade och policybaserade metoder som används för att optimera styrsystem i laser- och optiska experiment, simulera partikelinteraktioner och förbättra noggrannheten i simuleringar inom plasmafysik och andra dynamiska system.

Studenterna kommer att lära sig grundläggande neurala nätverksarkitekturer, till exempel Convolutional Neural Networks (CNN) för astrofysiska bilder och Recurrent Neural Networks (RNN) för tidsseriedata som gravitationsvågssignaler. Kursen omfattar fysikfokuserade optimeringstekniker, inklusive gradientbaserade metoder, evolutionära strategier och maximum likelihood och Bayesianska metoder för parameteruppskattning och modellreglering.

De praktiska momenten är fokuserade på förbehandling av data, feature engineering och implementering av modeller för fysikdatauppsättningar, vilket inkluderar partikelfysik, astronomiska undersökningar och laboratoriemätningar. Studenterna samarbetar med forskare om forskningsproblem vid institutionen för fysik och tillämpar maskininlärning för att simulera fysiska processer, förutsäga experimentella resultat och analysera storskaliga observationsdata. Kursen förbereder studenterna för att använda maskininlärning i avancerad forskning eller industriella tillämpningar.

I kursen ingår en teorimodul omfattande 4,5 hp, samt en projektmodul som omfattar 3 hp.