Скорость света против интеллекта машин: новый алгоритм ускоряет открытия в ЦЕРНе

Команда CMS Collaboration впервые продемонстрировала, что алгоритм машинного обучения MLPF способен полностью реконструировать столкновения частиц на Большом адронном коллайдере (LHC). LHC — крупнейший в мире эксперимент по физике частиц, где каждое столкновение протонов порождает сложный каскад вторичных частиц. Традиционно для анализа этих событий использовался алгоритм particle-flow (PF), основанный на заранее заданных правилах.

MLPF обучается на симулированных данных и способен распознавать частицы по сигналам, генерируемым детекторами, без явных инструкций. В тестах на данных, имитирующих текущий LHC, новый алгоритм показал сопоставимую или даже лучшую точность, особенно при анализе джетов топ-кварков — улучшение достигает 10–20% в ключевых диапазонах импульса. Основное преимущество MLPF заключается в скорости: алгоритм работает на современных графических процессорах (GPU), тогда как традиционные методы требуют центральных процессоров (CPU).

Этот шаг имеет значительное значение в контексте текущих трендов в области AI и физики частиц. С запуском High-Luminosity LHC, запланированного на 2030 год, количество столкновений увеличится примерно в пять раз, что создаст новые вызовы для анализа данных. MLPF поможет извлекать максимальное количество информации из огромных объёмов данных, повышая эффективность экспериментов и открывая новые возможности для поиска новых частиц и проверки фундаментальных теорий.

Применение MLPF не только ускоряет обработку данных, но и расширяет горизонты исследований. Алгоритм способен значительно повысить точность анализа сложных событий, таких как джеты топ-кварков, что может привести к важным научным открытиям. В долгосрочной перспективе это может способствовать более глубокому пониманию фундаментальных процессов, происходящих в Вселенной.

В будущем внедрение MLPF и подобных алгоритмов машинного обучения может стать стандартом для анализа данных на больших ускорителях частиц. Это позволит учёным более эффективно использовать ресурсы, справляться с возрастающим объёмом данных и продолжать исследование самых сложных физических явлений.