طبقه بندی ذرات ناشناخته فیزیک انرژی بالا در ابعاد وسیع با استفاده از یادگیری عمیق و روش انتخاب ویژگی

فیزیک انرژی بالا یا فیزیک ذرات بنیادی یکی از شاخه های دانش فیزیک است که به بررسی ماهیت اجزای تشکیل دهنده ماده می پردازد. مشاهده این ذرات و اندازه گیری خواص آنها باعث ایجاد دیدگاه هایی در خصوص ماهیت ماده میشود. به دلیل فرآیند بسیار پیچیده و تغییرات فراوان در علم فیزیک انرژی بالا (ذرات بنیادی فیزیک) با کلان داده ها مواجه هستیم. امروزه یادگیری عمیق یک پروسه پژوهشی فعال در دامنه یادگیری ماشین و شناخت الگو است که موفقیتهای بسیاری را در پردازش کلانداده ها بدست آورده است. هر چقدر که داده ها بزرگتر شوند یادگیری عمیق میتواند نقش مهمتری را در ارایه راه حل های تجزیه و تحلیل و پیشبینی داده ها ایفا نماید. اما این موضوع که عملکرد الگوریتمهای پیشرفته نیز به شدت به کیفیت و ساختار داده های ورودی وابسته است نیز باید در نظر گرفته شود. در این مقاله عملکرد شبکه عصبی بازگشتی LSTM را در طبقهبندی ذرات ناشناخته فیزیک انرژی بالا، مورد بررسی قرار داده و در خروجی دقت 90/54 درصد شبکه را مشاهده کردیم. سپس با استفاده از روش انتخاب ویژگی جستجوی شناور SFFS ابعاد داده های ورودی را به میزان 50 درصد کاهش داده و پس از آموزش مجدد شبکه با داده های ورودی منتخب، خروجی با دقت 90/81 درصد حاصل شد که در مقایسه با آموزش شبکه با کل داده ها دقت مشابه داشت. نتایج حاصل از خروجی شبکه MSSL در طبقه بندی ابعاد وسیع داده های فیزیک ذرات، عملکردی مطلوب و کاربرد الگوریتم SFFS در انتخاب ویژگیهای موثر و کاهش ابعاد داده های ورودی، کمک به عملکرد بهینه شبکه را نشان میدهد.

Keywords:

یادگیری عمیق , ذرات بنیادی فیزیک انرژی بالا , انتخاب ویژگی جستجوی شناور (SFFS) , شبکه عصبی بازگشتی (LSTM)