Maskininlärning i fysik, 7,5 hp

Innehåll

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.

Förväntade studieresultat

För att uppfylla målen för kunskap och förståelse ska den studerande efter genomgången kurs kunna:

• identifiera och förklara de centrala principerna för övervakad, oövervakad och förstärkt inlärning
• ge en systematisk förklaring av dataförberedelse för maskininlärning.
• beskriva principerna för regression, klassificering, klustringstekniker och neurala nätverksarkitekturer samt beskriva deras tillämpningar inom fysiken
• analysera för- och nackdelar med utvalda maskininlärningsmetoder och kritiskt utvärdera deras prestanda
• beskriva olika tekniker för modelloptimering och förklara hur de kan användas i olika tillämpningar
• sammanställa och kontrastera olika utvärderingsmodeller och visa en djupgående förståelse för utvärderingsmått för olika maskininlärningsmetoder

För att uppfylla målen för färdighet och förmåga ska den studerande efter genomgången kurs kunna:

• Implementera och optimera maskininlärningsmodeller för fysikspecifika problem, samt effektivt förbehandla och transformera komplexa datamängder för modellträning.
• Välja lämpliga tekniker baserat på problemets egenskaper, analysera modellutdata, dra meningsfulla slutsatser och kommunicera resultaten i muntliga och skriftliga format.
• Använda utvärderingsmått för att övervaka prestanda och göra datadrivna justeringar.
• Samarbeta effektivt i tvärvetenskapliga team, tydligt kommunicera tekniska koncept och modellresultat, och samtidigt hantera projekt både självständigt och som en del av en grupp.
• Kritiskt bedöma antaganden, lämplighet och begränsningar för olika maskininlärningstekniker för olika fysikaliska problem och identifiera potentiella felaktigheter i modelltillämpningar.
• Utvärdera modellprestanda genom att jämföra resultat med etablerade fysikteorier och analysera avvikelser för att förstå deras konsekvenser.
• Bestämma modellernas robusthet genom att bedöma deras prestanda över olika datamängder och under varierande förhållanden, och ta itu med frågor om överanpassning och underanpassning.

För att uppfylla målen för värdering och förhållningssätt ska den studerande efter genomgången kurs kunna:

• Reflektera över de etiska överväganden och antaganden som är involverade i tillämpningen av maskininlärning i fysikforskning, vilket säkerställer ansvarsfull användning av data och metoder.
• Ge konstruktiv feedback på kollegiala och kollaborativa maskininlärningsprojekt, belysa områden för förbättring och främja en kultur av kritisk utvärdering.

Behörighetskrav

Tidigare högskolestudier om minst 90 högskolepoäng inklusive Kvantmekanik, 6 hp, Elektrodynamik, 6 hp, Termodynamik, 6 hp, Fasta tillståndets fysik,7,5 hp samt Programmeringsteknik i C och Matlab 7,5hp och Teknisk beräkningsvetenskap I, 4,5 hp, eller motsvarande. Engelska och svenska för grundläggande behörighet för högskolestudier. Krav på svenska gäller endast om utbildningen ges på svenska.

Undervisningens upplägg

Undervisningen bedrivs i form av föreläsningar, datorlaborationer och handledning under praktiska moment i projektform. Utöver schemalagda aktiviteter krävs även individuellt arbete med kursmaterialet.

Examination

Examinationen av kursens teoretiska moment sker i form av individuell problemlösning och inlämningsuppgifter under kursens gång samt en skriftlig tentamen vid kursens slut. Betygsskalan för denna modul är Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4), med beröm godkänd (5). Examinationen av datorlaborationer och projektdel sker i grupp, med både individuell och gruppvis bedömning genom skriftliga rapporter. Betygsskalan för
den praktiska modulen är Underkänd (U) och Godkänd (G). För hela kursen, och baserat på den samlade bedömningen av de individuella prestationerna, kommer ett av betygen Underkänd (U), Godkänd (3), Icke utan beröm godkänd (4) och Med beröm godkänd (5) attges när både teoretiska och praktiska moduler har godkänts.

Examinator kan besluta om avsteg från kursplanens examinationsform. Individuell anpassning av examinationsformen ska övervägas utifrån studentens behov. Examinationsformen anpassas inom ramen för kursplanens förväntade studieresultat. Student som har behov av en anpassad examination ska senast 10 dagar innan examinationen begära anpassning hos kursansvarig institution. Examinator beslutar om anpassad examination som sedan meddelas studenten.

Student som missat eller inte kunnat slutföra ett obligatoriskt utbildningsmoment vid kurstillfället ska beredas möjlighet att slutföra det senare. För mer information, se Regler för betyg och examination, dnr: FS 1.1-574-22. En student som utan godkänt resultat har genomgått två prov för en kurs eller en del av en kurs, har rätt att få en annan examinator utsedd, om inte särskilda skäl talar emot det (HF 6 kap. 22 §). Begäran om ny examinator ställs till prefekten för Institutionen för fysik. För mer information, se Regel för betyg och examination, dnr: FS 1.1-574-22.

Student har rätt att få prövat om tidigare utbildning eller motsvarande kunskaper och färdigheter förvärvade i yrkesverksamhet kan tillgodoräknas för motsvarande utbildning vid Umeå universitet. Ansökan om tillgodoräknande skickas in till Studentcentrum/Examina. Mer information om tillgodoräknande finns på Umeå universitets studentwebb, www.student.umu.se, och i högskoleförordningen (6 kap). Ett avslag på ansökan om tillgodoräknande kan överklagas (Högskoleförordningen 12 kap) till Överklagandenämnden för högskolan. Detta gäller såväl om hela som delar av ansökan om tillgodoräknande avslås.

Övriga föreskrifter

I det fall att kursplan upphör att gälla eller genomgår större förändringar, garanteras studenter minst tre provtillfällen (inklusive ordinarie provtillfälle) enligt föreskrifterna i den kursplan som studenten ursprungligen varit kursregistrerad på under en tid av maximalt två år från det att tidigare kursplan upphört att gälla eller kursen slutat erbjudas.