Szabó, Vencel (ELTE); Barbola, Milán Gábor (ELTE); Méhes, Máté (ELTE); Gábor Papp (ELTE), Bíró, Gábor (Wigner); Jólesz, Zsófia (ELTE-Wigner); Dudás, Bence (ELTE-Wigner) (2024.03.01 - 2024.06.30)

Kivonat: A proton computer tomográfia (pCT) abban különbözik a "hagyományos" foton alapú tomográfiától, hogy különbözik az alapreakció: míg a pCT esetében a kis szögű Coulomb szórás a domináns reakció, addig a foton CT-ben a bejövő foton elnyelődik, és a teljes energiáját leadja. Ez a különbség teszi nehézzé a pCT-ben a kép visszaszámolását.

A projekt során a hallgatók legenerálják a pCT algoritmushoz szükséges bemenő adatokat, mely feladat során masszívan futtatják a GATE szimulációs szoftver különböző phantomokon. A richardson-Lucy algoritmus alapján próbálják meg visszaállítani a phantom képét, közben tesztelve, hogy mekkora szög- illetve pozíció felbontásra van szükség az elfogadható kép előállításához. További tervek a Richardson-Lucy algoritmus optimalizálása GPU clustrre, a számolási sebesség felgyorsítására. További terv a pCT bemenő legyártása a detektor kimenet alapján.

Jakovác Antal, Horváth Anna, Dudás Bence

Kivonat: A projekt keretében infrahang minták mesterséges intelligencia alapú vizsgálata, alkalmazott kutatásokhoz.

Legeza Örs (2023.11.01 - 2024.04.30)

Wigner Fizikai Kutatóközpont

Kivonat: Az olyan kvantumos rendszerek numerikus szimulációja, melyekben az atomi spinek vagy mozgékony elektronok közötti kölcsönhatás erős és nem lehet leírni ún. perturbációs módszerekkel a modern fizika középpontjában állnak. Ez azonban igen nagy kihívást jelent mert a számítógépes erőforrás általánosságban exponenciálisan skálázódik a rendszer méretével. Olyan algoritmusok kidolgozása, melyeknél ez polinomiális alakra hozható napjaink egyik legintenzívebben kutatott tudományterületének számít.

A sűrűségmátrix renormálási csoport (DMRG) algoritmus éppen egy ilyen módszer, aminek további nagy előnye, hogy a vonatkozó tenzor algebra a megmaradó kvantumszámok tükrében akár egymástól több millió független részfeladatra bontható. Mindez ideális környezetet biztosít MPI és GPU alapú masszív párhuzamosításhoz. A 2021-2022-es év során hibrid CPU és többszörös GPUval gyorsított alkalmazásainkkal már számos kvantumos rendszerre végeztünk szimulációkat, mely eredméneyinkből két kéziart is elérhető az arXiv-on:

[1] Massively Parallel Tensor Network State Algorithms on Hybrid CPU-GPU Based Architectures, Andor Menczer, Örs Legeza, arXiv:2305.05581 (2023)

[2] Boosting the effective performance of massively parallel tensor network state algorithms on hybrid CPU-GPU based architectures via non-Abelian symmetries, Andor Menczer, Örs Legeza, arXiv:2309.16724 (2023)

Az [1] publikációban a GPU Labor a köszönetnyilvánításban is szerepel mert az eredmények egy része a projekt első fázisa alatt készült. A jelen projektben (második fázis) ezeket kívánjuk tovább tesztelni és a hatékonysági tesztek alapján tovább optimalizálni az A100-as GPU infrastukturát használva. A tesztek eredményei alapján a [2] publikáció bizonyos adatpontjait tervezzük bővíteni.

Kadlecsik Ádám (2023.11.01 - 2024.03.31)

Eötvös Loránd Tudományegyetem

Kivonat: Az ismert kisebb méretű, s ezért valószínűleg szilárd felszínnel rendelkező exobolygók jellemzően nagyon közel keringenek központi csillagukhoz – éppen ezzel könnyítve meg felfedezésüket a Földről illetve űreszközökről. Így keringésük mindenképpen kötött kell hogy legyen, vagyis az ilyen exobolygókon a központi csillaguk körüli keringés („év”) és a tengely körüli fordulat („nap”) időtartama megegyezik. A kötött keringés miatt a központi csillag mindig a bolygó ugyanazon oldalát világítja meg, vagyis az égitestnek létezik egy permanens nappali és éjszakai oldala. Az áramlási rendszer tehát egy olyan forgatott elrendezésben modellezhető, amelynek oldalsó, a légkör modelljéül szolgáló vízréteggel együtt forgó külső peremén előírunk azimutális irányban egy dipól-szerű hőfluxus-peremfeltételt. Mindezt kísérletileg és szimulációs módszerekkel is szeretnénk vizsgálni.

Horváth Anna [1,2], Barnaföldi Gergely Gábor [1], Forgács-Dajka Emese [2] (2023.09.01-12.31)

[1] Wigner Fizikai Kutatóközpont
[2] Eötvös Loránd Tudományegyetem

Kivonat: Kompakt csillagok vizsgálatát végezzük egy statikus, gömbszimmetrikus Kaluza-Klein-szerű elméletben, ami magában foglalja egy extra kompaktifizált térdimenzió bevezetését. Megalkottunk egy állapotegyenletet, mely a Tolman-Oppenheimer-Volkov egyenlettel együtt alkalmas neutron csillagok modellezésére. Ezen objektumok szerkezetének szimulálása (a fő mérhető fizikai tulajdonságaik, azaz a tömeg és a sugár kiszámítása), valamint egy alapos analízis kivitelezése megköveteli, hogy számításigényes programokat használjunk. Számos különböző peremfeltételekkel (mint a központi energiasűrűség) és elméleti paraméterekkel (például az extra dimenzió mérete) rendelkező csillagot vizsgálunk. Az ilyen jellegű számításokhoz elengedhetetlen a parellelizációban rejlő lehetőség kihasználása, ami a legjobban többmagos processzorokon valósítható meg. Ez a projekt a részecskefizika standard modelljén túli elméleteket tesztel, különös tekintettel egy lehetséges extra kompaktifizált térdimenzió méretének a megszorítására.

Gergácz Mira, Keresztúri Ákos (2023.09.01-12.31.)

Kivonat: A tanulmány célja a vízjég kondenzációs időszakának vizsgálata a Marson. A munka során automatizált konvolúciós neurális háló (CNN) fut le High Resolution Imaging Science Experiment (HiRISE) képekre, melyek a Mars Reconnaissance Orbiter (MRO) szonda által készültek. Kisebb jégfoltok (\(1.5-300\) méter közötti átmérőjű) felismerésére tanított CNN használata megfelelő automatizált módszernek bizonyul erre a célra. A vizsgált terület a \(-40°\) és \(-60°\) közötti szélességi fok tartomány, \(L_s = 0-90°\) időszakban, amikor a déli jégsapka még nem fedi ezt a területet.

Neelkamal Mallick [1], Suraj Prasad [1], Aditya Nath Mishra [2,4], Raghunath Sahoo [1] and Gergely Gábor Barnaföldi [3]

[1] Department of Physics, Indian Institute of Technology Indore
[2] Department of Physics, School of Applied Sciences, REVA University
[3] Wigner Research Center for Physics
[4] Department of Physics, University Centre For Research & Development (UCRD), Chandigarh University

Publication: Deep learning predicted elliptic flow of identified particles in heavy-ion collisions at the RHIC and LHC energies

Abstract Recent developments of a deep learning feed-forward network for estimating elliptic flow \((v_2)\) coefficients in heavy-ion collisions have shown the prediction power of this technique. The success of the model is mainly the estimation of \(v_2\) from final-state particle kinematic information and learning the centrality and transverse momentum \((p_T)\) dependence of \(v_2\). The deep learning model is trained with Pb-Pb collisions at \(\sqrt{s_{NN}} = 5.02 TeV\) minimum bias events simulated with a multiphase transport model. We extend this work to estimate \(v_2\) for light-flavor identified particles such as \(π^\pm\), \(K^\pm\), and \(p + \bar{p}\) in heavy-ion collisions at RHIC and LHC energies. The number-of-constituent-quark scaling is also shown. The evolution of the \(p_T\)-crossing point of \(v_2(p_T)\), depicting a change in baryon-meson elliptic flow at intermediate \(p_T\) , is studied for various collision systems and energies. The model is further evaluated by training it for different \(p_T\) regions. These results are compared with the available experimental data wherever possible.

Ákos Gellért[1,2] , Oz Kilim[1] , Anikó Mentes[1] and István Csabai[1] (2023.02.15 - 2023.12.15)

[1] ELTE Department of Physics of Complex Systems
[2] ELKH Veterinary Medical Research Institute

Kivonat: The first recorded pandemic of the flu occurred in 1580 and since then, flu pandemics have occurred several times throughout history, with the most severe being the Spanish flu in 1918-1919 which killed millions of people worldwide. In the 20th century, significant progress was made in the understanding of the virus and the development of vaccines, which have greatly reduced the impact of flu pandemics. Despite this progress, the flu continues to be a major public health issue, with millions of cases reported each year and an annual death toll in the tens of thousands.

Hemagglutinin, a surface membrane protein of the Influenza virus plays an important role in the infection process of the virus, as it allows the virus to attach to and penetrate host cells. The flu vaccine is formulated each year based on which strains of the virus are predicted to be most prevalent, and it is designed to stimulate the body's immune response to the hemagglutinin protein on those strains. Many antigenic maps have been constructed this far, which reveal the relationships between different strains of a virus, specifically with regards to the way their antigens [1] (e.g., hemagglutinin) are recognized by the immune system. Experimental Influenza HA deep mutational data [2] are also available for the research community to explore the virus functions.

In this project, we aim to in silico combine antigenic maps and deep mutational scanning data to obtain a more comprehensive understanding of the evolution and functional properties of Influenza virus. For example, combining antigenic map data with deep mutational scanning data can provide information about how different mutations affect the ability of a virus to evade the immune response, as well as which regions of the virus are critical for this evasion. This information can be used to inform the design of vaccines and antiviral drugs that target specific regions of the virus that are critical for its function and evolution. We will use AlphaFold2 [3] and ESMFold2 [4] the fastest AI based and most reliable protein structure prediction applications in the world to generate single and/or multiple mutant structures of various Influenza HA protein.

[1] Antigenic map.
[2] Flu HA DMS..
[3] J. Jumper et al., “Highly accurate protein structure prediction with AlphaFold,” Nat. 2021 5967873, vol. 596, no. 7873, pp. 583–589, Jul. 2021, doi: 10.1038/s41586-021-03819-2.
[4] ESMFold.