Scienziati della Higher School of Economics e Yandex hanno sviluppato un metodo che accelera la simulazione dei processi al Large Hadron Collider (LHC). I risultati della ricerca sono stati pubblicati in Strumenti nucleari e ricerca fisica Sezione A:Acceleratori, spettrometri, Rivelatori e apparecchiature associate .

Gli esperimenti nella fisica delle alte energie richiedono lavoro con i big data. Per esempio, all'LHC, milioni di collisioni si verificano ogni secondo, e i rivelatori registrano queste particelle e ne determinano le caratteristiche. Ma per ricevere un'analisi precisa dei dati sperimentali, è necessario sapere come reagisce il rivelatore alle particelle note. Tipicamente, questo viene fatto utilizzando un software speciale configurato per la geometria e la fisica di un particolare rivelatore.

Tali pacchetti forniscono una descrizione abbastanza accurata della risposta del mezzo al passaggio di particelle cariche, ma la velocità di generazione di ogni evento può essere molto lenta. In particolare, la simulazione del singolo evento di LHC può richiedere fino a diversi secondi. Dato che milioni di particelle cariche si scontrano ogni secondo nel collisore stesso, una descrizione esatta diventa inaccessibile.

I ricercatori di HSE e della Yandex Data Analysis School sono stati in grado di accelerare la simulazione utilizzando le reti generative di contraddittorio. Questi sono costituiti da due reti neurali che competono tra loro durante l'allenamento competitivo. Questo metodo di allenamento viene utilizzato, Per esempio, per generare foto di persone che non esistono. Una rete impara a creare immagini simili alla realtà, e l'altro cerca di trovare differenze tra rappresentazioni artificiali e reali.

"È incredibile come i metodi sviluppati fondamentalmente per generare foto realistiche di gatti, ci permettono di velocizzare i calcoli fisici di diversi ordini di grandezza, " nota Nikita Kaseev, un dottorato di ricerca studente presso HSE e coautore dello studio.

I ricercatori hanno addestrato reti competitive generative per prevedere il comportamento delle particelle elementari cariche. I risultati hanno mostrato che i fenomeni fisici possono essere descritti utilizzando le reti neurali in modo molto accurato.

"L'utilizzo di reti competitive generative per simulare rapidamente il comportamento del rivelatore aiuterà sicuramente gli esperimenti futuri, "dice Denis Derkach, Ricercatore presso la Facoltà di Informatica e coautore dello studio. "Essenzialmente, abbiamo utilizzato i più moderni metodi di addestramento disponibili nella scienza dei dati e la nostra conoscenza della fisica dei rivelatori. La diversità del nostro team, che consisteva di scienziati dei dati e fisici, anche reso possibile».