Большой адронный коллайдер (БАК) остается самой масштабной экспериментальной площадкой в области физики высоких энергий, где каждое столкновение протонов порождает сложнейшие каскады субатомных структур. На протяжении десяти лет ученые использовали алгоритм particle-flow (PF), опирающийся на жестко заданный набор эвристических правил. Однако специалисты коллаборации CMS представили прорывную альтернативу: систему машинного обучения MLPF, которая способна осуществлять комплексную реконструкцию событий, полностью вытесняя традиционные методы.
Алгоритм MLPF, прошедший обучение на массивах синтетических данных, самостоятельно распознает частицы по сигналам детекторов, не нуждаясь в явных программных инструкциях. В ходе испытаний, имитирующих текущие условия работы БАК, новая архитектура продемонстрировала точность, сопоставимую с классическими решениями, а в сегменте анализа струй топ-кварков превзошла их на 10–20% в ряде критических диапазонов импульсов.
Фундаментальное преимущество новой разработки заключается в производительности: MLPF оптимизирован для вычислений на графических процессорах (GPU), в то время как стандартные алгоритмы ограничены мощностями центральных процессоров (CPU). Это обеспечивает качественный скачок в скорости обработки информации и существенно повышает общую эффективность исследовательских циклов.
С предстоящим в 2030 году запуском БАК высокой светимости (HL-LHC) частота столкновений увеличится пятикратно, что создаст беспрецедентную нагрузку на системы анализа. В этих условиях MLPF станет незаменимым инструментом для извлечения ценных сведений из колоссальных массивов данных, расширяя возможности для поиска экзотических частиц и верификации фундаментальных физических теорий.
Внедрение MLPF не только ускоряет вычислительные процессы, но и открывает новые горизонты в экспериментальной науке, позволяя физикам глубже проникать в суть сложнейших явлений, определяющих устройство нашей Вселенной.
Источник: iXBT
