01
А
Астрономия
02
Б
Биология
03
Г
Гуманитарные науки
04
М
Математика и CS
05
Мд
Медицина
06
Нз
Науки о Земле
07
С
Сельское хозяйство
08
Т
Технические науки
09
Ф
Физика
10
Х
Химия и науки о материалах
Физика
13 сентября

Машинное обучение поможет физикам искать новые частицы

Один из детекторов Большого адронного коллайдера — CMS
Julian Knutzen

Ученые предложили новый подход к поиску необычных событий в данных ускорителей частиц, таких как Большой адронный коллайдер. Описанный метод использует машинное обучение и, по замыслу авторов, должен значительно ускорить процесс поиска и существенно сэкономить затрачиваемые на него вычислительные ресурсы. Физики опубликовали две статьи с описанием разработки: одну в Physical Review Letters, вторую в Physical Review D.

Концептуально поиск новых частиц в данных ускорителей выглядит просто: надо всего лишь посчитать и сравнить два числа: вероятность, что событие вызвано новой частицей, и вероятность, что оно произошло без ее участия. Если первое число существенно больше второго, то совершено открытие. На практике же подсчет этих вероятностей настолько сложен, что физики используют приближения, чтобы сразу оценить отношение величин. Тем не менее такой подход все равно требует внушительного вычислительного времени, из-за чего огромное количество информации необходимо сохранять и обрабатывать отдельно спустя время.

Отдельную сложность добавляет то обстоятельство, что современная физика ищет нестабильные частицы с исчезающе малым временем жизни порядка 10−20 секунд и меньше. В связи с этим непосредственно зарегистрировать такие частицы нельзя, а их свойства приходится восстанавливать по более долгоживущим «осколкам», попадающим в детекторы. Одно рождение искомой частицы может породить несколько сотен таких регистраций, из-за чего и возникает высокая вычислительная сложность.

В новых работах предложен иной подход к определению отношения вероятностей. Авторы предлагают обучать нейросеть на большом количестве данных компьютерных симуляций, что позволит ей оценивать наиболее сложные для вычисления выражения. В результате получается система, способная в течение микросекунд выдавать ответ, причем не прибегая к упрощающим предположениям. Полноценное обучение такой нейросети может оказаться чрезвычайно длительным, так как требуется большое количество примеров, а используемые в ней алгоритмы машинного обучения сложны, что сделает обучение еще и трудоемким.

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

Комментарии

Все комментарии
Обсуждаемое