Эксперименты в физике высоких энергий требуют работы с большими данными. Например, в БАК каждую секунду происходят миллионы столкновений. Детекторы регистрируют их результаты и определяют их характеристики. Как правило, речь идет об «осколках» получившихся частиц, сами они до детекторов не доживают, распавшись где-то по дороге. Для анализа экспериментальных данных и понимания того, чьи осколки зарегистрированы детектором, необходимо знать, как он реагирует на уже известные частицы. Обычно для этого используют специальное программное обеспечение, настроенное на параметры — геометрию и физику — конкретного детектора.
Такие пакеты предоставляют достаточно точное описание откликов среды на прохождение заряженных частиц, однако скорость расчета каждого события может быть очень низкой. В частности, симуляция одного события БАК может занимать несколько секунд. Это плохо. В коллайдере каждую секунду происходят миллионы столкновений, из которых нужно как-то «выловить» интересные. Их там очень немного — первые единицы, да и то, если повезет. Было бы логично приблизить скорость компьютерных симуляций к реальной производительности коллайдера
Как говорится в сообщении ВШЭ, специалисты этого института и Школы анализа данных Яндекса смогли ускорить симуляцию с помощью генеративных состязательных сетей (Generative Adversarial Networks). Это две нейронные сети, которые в ходе конкурентного обучения соревнуются между собой. Такой способ обучения используется, например, для генерации фотографий никогда не существовавших людей. Одна сеть учится создавать похожие на реальность образы, а другая стремится найти отличия между искусственными и реальными представлениями. Удивительно, как методы, разрабатываемые, грубо говоря, для генерации реалистичных фотографий котов, позволяют на несколько порядков ускорить физические расчёты, — добавляет один из авторов исследования, аспирант ФКН ВШЭ Никита Казеев.
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, доцент факультета компьютерных наук ВШЭ Денис Деркач. — По сути, мы использовали наиболее современные методы обучения, доступные в науке о данных, и наши знания о физике детекторов.
Как сообщает РИА Новости, для проверки работы своего детища ученые выбрали оптоволоконные детекторы, применявшиеся на эксперименте BaBar для поиска возможных объяснений того, почему антиматерия почти полностью отсутствует во Вселенной.
Его манера взаимодействия с частицами была хорошо изучена и просчитана другими путями за десять лет работы BaBar, что позволило математикам натренировать искусственный разум и проверить его в деле.
Эти проверки завершились успешно — GAN-сеть правильно предсказала то, какие частицы должны возникать в этой установке, и при этом ускорила расчеты примерно в 80 раз. Как надеются ученые, их детище поможет предсказать то, как будут вести себя еще не открытые частицы, которые БАК обнаружит после завершения его очередного большого обновления в 2021 году.
Результаты исследования опубликованы в Nuclear Instruments and Methods in Physics.
