| dc.contributor.author | Адаменко, Д. К. | uk |
| dc.contributor.author | Мартинюк, В. В. | uk |
| dc.contributor.author | Adamenko, D. | en |
| dc.contributor.author | Martyniuk, V. | en |
| dc.date.accessioned | 2026-03-23T13:00:08Z | |
| dc.date.available | 2026-03-23T13:00:08Z | |
| dc.date.issued | 2026 | |
| dc.identifier.citation | Адаменко Д. К., Мартинюк В. В. Нейромережі в мікросвіті: машинне навчання для аналізу фізичних експериментів // Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. Електрон. текст. дані. 2026. URI: https://conferences.vntu.edu.ua/index.php/all-feeem/all-feeem-2026/paper/view/28137. | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/50952 | |
| dc.description.abstract | The article considers the application of artificial neural networks for processing large datasets in modern physics
experiments. The efficiency of machine learning algorithms in classifying elementary particle tracks is analyzed. The
advantages of using convolutional neural networks compared to classical statistical data analysis methods are shown. | en |
| dc.description.abstract | У статті розглядається застосування штучних нейронних мереж для обробки великих масивів даних у сучасних фізичних експериментах. Проаналізовано ефективність алгоритмів машинного навчання під час класифікації треків елементарних частинок. Показано переваги використання згорткових нейромереж порівняно з класичними статистичними методами аналізу даних. | uk |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали LV Всеукраїнської науково-технічної конференції підрозділів ВНТУ, Вінниця, 24-27 березня 2026 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-feeem/all-feeem-2026/paper/view/28137 | |
| dc.subject | машинне навчання | uk |
| dc.subject | штучні нейронні мережі | uk |
| dc.subject | фізика високих енергій | uk |
| dc.subject | аналіз великих даних | uk |
| dc.subject | елементарні частинки | uk |
| dc.subject | machine learning | en |
| dc.subject | artificial neural networks | en |
| dc.subject | high energy physics | en |
| dc.subject | big data analysis | en |
| dc.subject | elementary particles | en |
| dc.title | Нейромережі в мікросвіті: машинне навчання для аналізу фізичних експериментів | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 004.85:539.1 | |
| dc.relation.references | Radovic A. Machine learning at the energy and intensity frontiers of particle physics / A. Radovic, M. Williams, D. Rousseau //
Nature. – 2018. – Vol. 560. – P. 41-48. | en |
| dc.relation.references | Amrouche S. The Tracking Machine Learning challenge: Accuracy phase / S. Amrouche, L. Basara, P. Calafiura [et al.] // The
European Physical Journal C. – 2020. – Vol. 80, № 5. – P. 423-435. | en |
| dc.relation.references | Субботін С. О. Подання й обробка знань у системах штучного інтелекту та підтримки прийняття рішень : навчальний
посібник / С. О. Субботін. – Запоріжжя : ЗНТУ, 2008. – 341 с. | uk |
| dc.relation.references | Fruhwirth R. Application of Kalman filtering to track and vertex fitting / R. Fruhwirth // Nuclear Instruments and Methods in Physics
Research Section A. – 1987. – Vol. 262, № 2-3. – P. 444-450. | en |
| dc.relation.references | Архітектура згорткової нейронної мережі VGG16 [Електронний ресурс] // IT Master. – Режим доступу:
https://itmaster.biz.ua/images/vgg16-neural-network.jpg (дата звернення: 12.03.2026). | uk |
