Эксперименты в физике высоких энергий требуют работы с большими данными. Например, в БАК каждую секунду происходят миллионы столкновений. Детекторы регистрируют эти частицы и определяют их характеристики. Но для точного анализа экспериментальных данных необходимо знать, как реагирует детектор на известные частицы. Обычно для этого используют специальное программное обеспечение, настроенное на геометрию и физику конкретного детектора.
Такие 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 учётом того, что в самом коллайдере каждую секунду сталкиваются миллионы заряженных частиц, точное описание становится недоступно.
Исследователи ВШЭ 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 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. Этому способствовал смешанный состав нашего коллектива, состоящий из дата сайентистов и физиков.
Исследование было проведено при финансовой поддержке гранта РНФ 17-72- 20127 «Поиск новой физики в данных LHCb с применением методов глубокого обучения».
