Машинное обучение повысило точность идентификации элементарных частиц на БАК

Исследователи Высшей школы экономики разработали метод, позволяющий с высокой точностью различать разные типы элементарных частиц на Большом адронном коллайдере. Результаты исследования опубликованы в Journal of Physics.

Одна из нерешенных задач физики — преобладание вещества над антивеществом во Вселенной. В первые доли секунды после Большого взрыва образовались вещество и антивещество. Теперь же физики пытаются понять, куда исчезло антивещество. Как предположил академик А.Д. Сахаров в 1966 году, в результате нарушения CP-инвариантности — симметрии частиц и античастиц — возник дисбаланс вещества и антивещества. После их аннигиляции (взаимоуничтожения) остались частицы.

Эксперимент LHCb (Large Hadron Collider beauty experiment) проводится для изучения B-мезонов — неустойчивых частиц, при распаде которых наиболее ярко проявляется асимметрия между веществом и антивеществом. Установка LHCb состоит из нескольких специализированных детекторов. Они включают в себя калориметры, которые измеряют энергию незаряженных частиц. Еще калориметры идентифицируют разные типы частиц. Для этого проводится поиск и анализ кластеров энерговыделения, однако сигналы от двух типов фотонов: первичных и фотонов из распада π⁰-мезона — легко перепутать. Ученые ВШЭ разработали метод, который позволит с высокой точностью различить их.

Авторы исследования применили искусственные нейронные сети и градиентный бустинг (алгоритм машинного обучения) для классификации кластеров энерговыделения.

«Мы взяли матрицу размером 5 × 5 с центром в точке с самым большим энерговыделением, — комментирует автор исследования, ведущий научный сотрудник Научно-учебной лаборатории методов анализа больших данных ВШЭ Федор Ратников. — Вместо того чтобы самим анализировать специальные характеристики исходных данных, мы их сразу передали для анализа алгоритму. И машина смогла разобраться в них лучше человека».

Новый метод на основе машинного обучения в четыре раза повысил качество идентификации частиц в калориметре по сравнению с предыдущим — начальной интеллектуальной предобработкой данных. Алгоритм улучшил показатель кривой ошибок с 0,89 до 0,97 (чем выше это значение, тем качественнее работает классификатор). При эффективности идентификации первичных фотонов в 98% новый подход уменьшил поток ложных идентификаций событий с 60 до 30%.

Особенность предложенного метода в том, что он позволяет идентифицировать элементарные частицы без предварительного изучения особенностей анализируемого кластера. «Можно обрабатывать данные, не ограничиваясь нашими знаниями о свойствах идентифицируемых частиц, а предоставив это машинному обучению в надежде на то, что алгоритм найдет взаимосвязи, которые мы не рассматривали. Очевидно, у нас это получилось», — говорит Федор Ратников.

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.