Automating data splitting and hyper-parameters tuning in an Echo State Network-based model for Dynamic Aperture prediction
Diese Arbeit untersucht den Einfluss verschiedener Datenpartitionierungsstrategien auf die Leistungsfähigkeit von Echo State Networks zur Vorhersage der dynamischen Apertur in Hadronen-Speicherringen, wobei insbesondere die Automatisierung der Trainings-Test-Aufteilungsgrenze unter Verwendung der Ableitung analytischer Skalierungsgesetze untersucht wird, die aus dem Nekhoroshev-Theorem abgeleitet wurden.