Нейросеть научили предсказывать сигналы детекторов частиц

Сотрудники ВШЭ и Яндекса разработали метод, который позволяет значительно ускорить моделирование процессов на Большом андронном коллайдере (БАК). Новый подход заключается в обучении нейросети генерации результатов попадания реальных частиц в детекторы. Результаты исследования, проведенного при поддержке гранта Российского научного фонда, опубликованы в журнале Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment.

Эксперименты в физике высоких энергий требуют работы с большими данными. Например, в БАК каждую секунду происходят миллионы столкновений, рождается множество частиц, которые регистрируются детекторами, способными определять их характеристики. Однако для точного анализа экспериментальных данных необходимо знать, как детектор реагирует на известные частицы. Обычно для этого используют специальное программное обеспечение, настроенное на геометрию и физику конкретного детектора, что позволяет сымитировать регистрацию. Такие программные пакеты предоставляют достаточно точное описание откликов среды на прохождение заряженных частиц, однако скорость генерации каждого события может быть очень низкой. В частности, симуляция одного события БАК может занимать несколько секунд. С учетом количества столкновений в коллайдере каждую секунду, точное описание становится недоступно.

Исследователи из ВШЭ и Школы анализа данных Яндекса смогли ускорить симуляцию с помощью одного из вариантов машинного обучения на основе генеративных состязательных сетей (Generative Adversarial Networks — GAN). GAN состоит из двух нейронных сетей, которые в ходе конкурентного обучения соревнуются между собой: одна обучается генерировать как можно более похожие на обучающую выборку образы, а вторая тренируется отличать результат работы первой от настоящих данных. Исследователи научили генеративные состязательные сети предсказывать поведение заряженных элементарных частиц. Результаты показали, что физические явления с высокой точностью можно описать с помощью нейросетей.

«Использование генеративных состязательных сетей для быстрой симуляции поведения детектора безусловно поможет будущим экспериментам, — комментирует один из авторов исследования Денис Деркач из ВШЭ. — По сути, мы использовали наиболее современные методы обучения, доступные в науке о данных, и наши знания о физике детекторов. Этому способствовал смешанный состав нашего коллектива, состоящий из дата-сайентистов и физиков».

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.

Пресс-релизы о научных исследованиях, информацию о последних вышедших научных статьях и анонсы конференций, а также данные о выигранных грантах и премиях присылайте на адрес science@indicator.ru.