#оптимизация_экспериментов — Public Fediverse posts

Как нейросети, RL и байесовскую оптимизацию стали использовать на ускорителях заряженных частиц

Ускорители заряженных частиц — уникальные машины, играющие ключевую роль в фундаментальной науке и прикладных исследованиях. Они помогают заглянуть внутрь материи, создавать новые материалы и лекарства, а также раскрывать тайны Вселенной — от бозона Хиггса до реликтового излучения. Ускорители заряженных частиц — сложные установки, которые требуют высокой точности работы. Даже небольшое отклонение пучка, сравнимое с долей толщины человеческого волоса, может иметь значение. Чтобы справляться с такими задачами, всё чаще используют методы машинного обучения. В статье мы расскажем о том, как применяют методов машинного обучения на ускорителях по всему миру. Например, нейронные сети стабилизируют орбиту пучка и оптимизируют параметры ускорителей, обучение с подкреплением используется для управления пучками заряженных частиц в сложных условиях, а байесовская оптимизация помогает решать многокритериальные задачи настройки ускорителей.

https://habr.com/ru/companies/ods/articles/868748/

#машинное_обучение #нейросети #reinforcementlearning #байесовская_оптимизация #оптимизация_экспериментов #инновации_в_технологиях #научные_исследования #научнопопулярное #ускоритель_частиц #коллайдер

А/В эксперименты. Ускорение вычислений с помощью бакетизации

В данной статье мы рассмотрим, как бакетизация может существенно ускорить вычисления и представим график зависимости отношения времени на расчеты без бакетизации к времени на расчеты с бакетизацией. Время – деньги!

https://habr.com/ru/articles/815331/

#Статистические_методы #Бакетизация #Мощность_статистического_критерия #A/B_тестирование #Анализ_данных #Бутстрап_методы #Оптимизация_экспериментов #Разработка_продукта #Машинное_обучение #симуляции_и_моделирование

Анализ мощности статистических критериев с использованием бакетизации

В данной статье рассматривается влияние бакетизации на мощность статистических критериев в условиях различных распределений данных и при разном объеме выборки. Особое внимание уделено зависимости мощности критерия от количества бакетов и размера выборки. Исследование предоставляет важные выводы для проектирования и анализа A/B тестирования и других форм экспериментальных исследований. Не кладём все яйца в одну корзину

https://habr.com/ru/articles/811059/

#Статистические_метод #Бакетизация #Мощность_статистического_критерия #A/B_тестирование #Анализ_данных #Бутстрап_методы #Оптимизация_экспериментов #Разработка_продукта #Машинное_обучение #Симуляции_и_моделирование