• A
  • A
  • A
  • АБВ
  • АБВ
  • АБВ
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта

Летняя практика

В ходе прохождения практики студенты смогут познакомиться с реальными научно-техническими задачами, требующими от студентов погружения в интересную предметную область и владение соответствующими навыками в областях анализа данных, машинного обучения и/или разработки программного обеспечения. Работа над проектами может проходить на взаимовыгодной основе. Подробности можно узнать по адресу aglazistov@hse.ru

Проекты 2018:

Название проекта 
и
контактное лицо

Описание проекта

Знание Программ

Уровень студентов

Количество

мест

Разработка алгоритма сжатия данных о треках частиц эксперимента LHCb

Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )

С 2022 года БАК начнет работать в режиме бо́льшей светимости, это будет означать что необходимо обработать гораздо больше данных, чем обрабатывается сейчас. Одно из узких мест обработки - объемы передаваемой информации о траекториях частиц, зарегистрированных экспериментом. В рамках данного проекта предлагается разработать алгоритм сжатия этой информации нейроморфными методами. Проект ведется совместно с коллегами из MIT. Более подробное описание доступно в слайдах Константина Вейсера

Python.

Neural Nets (Autoencoders)

Магистратура

1-2

Поиск стратегии управления квантовым компьютером

   Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )

Управление базовыми компонентами квантовых компьютеров - резонаторами - требует учета большого количества факторов, которые сложно оценить исходя из теоретических или численных моделей. В рамках данного проекта предлагается развить подход обучения с подкреплением для повышения точности управления. Проект выполняется совместно с МФТИ.

Python

Методы Reinforcement Learning

Магистратура

1-2

Поиск двойных гамма-звезд


Устюжанин Андрей Евгеньевич ( austyuzhanin@hse.ru )

Двойные звезды, излучающие в гамма-диапазоне - довольно редки. Тем не менее такие звезды представляют большой интерес для астрономического сообщества. В рамках данного проекта предлагается проанализировать информацию из различных звездных каталогов для сопоставления сигнатур различных небесных объектов и составления списка кандидатов на роль двойных звезд. Проект выполняется совместно с коллегами из Dublin City University и  Institut fur Astronomie und Astrophysik Tubingen.

Python

Scikit-learn

Бакалавриат

или

Магистратура

1-2

Классификация сверхновых звёзд по данным Open Supernova Catalog.


Деркач Денис Александрович ( dderkach@hse.ru )

Классификация звёзд на данный момент осуществляется с помощью анализа кривых блеска, набранных в нескольких цветовых каналах.  Кривая блеска — это набор наблюдений свернутых спектров в разные моменты времени. Обычным путём является построение физически-мотивированных спектров. Однако в будущем количество информации, набираемое астрофизическими экспериментами, будет превышать возможности ручного анализа. Задачей на практику является построение рекурентной сети, которая будет автоматически разделять звёздные спектры на разные классы.

Python

 

Scikit-learn

 

RNN.

Магистратура

1-2

Построение моделей идентификации заряженных частиц на Большом адронном коллайдере. 


Деркач Денис Александрович ( dderkach@hse.ru )

Детектор LHCb состоит из нескольких подчастей, каждая из которых обладает определённым откликом на пролетающую частицу. Нейронные сети уже несколько лет работают для комбинацией данных, записанных субдетекторами. Недостатком текущих моделей является тренировка моделей на симулированных событий. Именно сейчас полученные данные позволяют тренировать модель на реальных данных. Итогом работы должна стать нейронная сеть, натренированная на настоящих данных Большого адронного коллайдера, которая может быть использована в дальнейших анализах.

Python

 

Scikit-learn

 

RNN.

Магистратура

1

Блокчейн для планировки распределённых вычислений.


Баранов Александр ( a.baranov@cern.ch )

Grid вычисления — это когда множество независимых компьютерных кластеров работают над общим пулом задач. Grid-вычисления, например, используются для обработки данных Большого Адронного Коллайдера. Мы хотим попробовать применить блокчейн-технологии для планирования(scheduling) вычислений в grid. Для этого предполагается использовать блокчейн-аукцион, в который пользователи grid отправляют вычислительные задачи, а исполнители задач торгуются за минимальную цену на исполнение задачи. В рамках стажировки вам предстоит сделать прототип планировщика grid-задач основанном на блокчейн-аукционе. Мы предполагаем, что основой аукциона послужит смарт-контракт для Ethereum, хотя и рассматриваем возможность использовать альтернативные технологии.
https://ru.wikipedia.org/wiki/Грид
https://ru.wikipedia.org/wiki/Blockchain
https://ru.wikipedia.org/wiki/Ethereum

Go, Python

Бакалавриат, магистратура

2-3

Разработка системы распределённых вычислений для эксперимента SHiP

Баранов Александр ( 
a.baranov@cern.ch )

Наша группа разрабатывает систему распределённых вычислений, которой пользуются физики в CERN. Благодаря вычислениям на этой системе наша группа смогла сэкономить CERN более 1 миллиона долларов — http://www.forbes.ru/tehnologii/358829-poymat-temnuyu-materiyu-kak-rossiyskie-uchenye-sekonomili-cern-bolee-1-mln

 

Мы ищем летнего стажёра для работы над этой системой.

Конкретно мы хотим:

  • Добавить в неё алгоримты планировки(scheduling) задач
  • Улучшить работу с Kubernetes-кластерами


В рамках стажировки вы получите опыт промышленной backend-разработки на стыке распределённых систем и машинного обучения.

Go, Python, gRPC

Бакалавриат, магистратура

1-2

Оптимизация устройства калориметра LHCb

Устюжанин Андрей Евгеньевич ( 
austyuzhanin@hse.ru )

Преамбула: разработка и изготовление экспериментальных образцов компонентов детекторных устройств, предназначенных для использования в составе модернизируемой детекторной установки LHCb - очень ответственный этап. Для улучшения понимания характеристик изготавливаемых подсистем детектора используются вспомогательные шаги: - разработка систем физической симуляции работы детектора в различных режимах (на основе GEANT, Delphes)- алгоритмы распознавания типичных откликов детектора на известные физические явления. точность работы таких алгоритмов может быть использована как качество работы детектора- алгоритмы сложной последовательной оптимизации многопараметрических функций (включающих параметры как детектора так и алгоритмов распознавания)
 

Задачи практики: 

  • научиться запускать модель1 калориметра в Delphes
  • научиться запускать модель2 калориметра в GEANT
  • научиться считать метрики (energy resolution)
  • научиться менять геометрию детектора
  • собрать docker для запуска модели с заданными параметрами и оценки метрик
  • запустить подбор оптимальных параметров локально
  • сохранение параметров запуска на вычислительном кластере
  • обучение модели оптимизации по результатам предыдущих запусков
  • непрерывный процесс оптимизации / вычислений
  • модель1 работает гораздо быстрее чем модель2. научиться использовать точки пространства гиперпараметров модели1 для выбора следующих точек для оценки модели2

 

Python, C++, GEANT

Магистратура

1-2

 
________________________________________



Список тем для летней практики в LAMBDA

По вопросам прохождения практики писать на aglazistov@hse.ru


 

Нашли опечатку?
Выделите её, нажмите Ctrl+Enter и отправьте нам уведомление. Спасибо за участие!