Forskare från Higher School of Economics och Yandex har utvecklat en metod som påskyndar simulering av processer vid Large Hadron Collider (LHC). Forskningsresultaten publicerades i Kärntekniska instrument och fysikforskning Avsnitt A:Acceleratorer, Spektrometrar, Detektorer och tillhörande utrustning .

Experiment inom högenergifysik kräver arbete med big data. Till exempel, vid LHC, miljontals kollisioner sker varje sekund, och detektorer registrerar dessa partiklar och bestämmer deras egenskaper. Men för att få en exakt analys av experimentella data, det är nödvändigt att veta hur detektorn reagerar på kända partiklar. Vanligtvis, detta görs med hjälp av speciell programvara som är konfigurerad för geometri och fysik för en viss detektor.

Sådana förpackningar ger en ganska exakt beskrivning av mediets reaktion på passage av laddade partiklar, men genereringstakten för varje händelse kan vara mycket långsam. Särskilt, simuleringen av den enda LHC -händelsen kan ta upp till flera sekunder. Med tanke på att miljontals laddade partiklar kolliderar varje sekund i själva kollideraren, en exakt beskrivning blir otillgänglig.

Forskare från HSE och Yandex Data Analysis School kunde påskynda simuleringen med hjälp av Generative Adversarial Networks. Dessa består av två neurala nätverk som tävlar med varandra under tävlingsutbildning. Denna träningsmetod används, till exempel, att skapa foton av människor som inte finns. Ett nätverk lär sig att skapa bilder som liknar verkligheten, och den andra försöker hitta skillnader mellan artificiella och verkliga representationer.

"Det är fantastiskt hur metoder som utvecklats i grunden för att generera realistiska bilder av katter, låt oss påskynda fysiska beräkningar med flera storleksordningar, "konstaterar Nikita Kaseev, en doktorsexamen student på HSE och medförfattare till studien.

Forskarna utbildade generativa konkurrenskraftiga nätverk för att förutsäga beteendet hos laddade elementära partiklar. Resultaten visade att fysiska fenomen kan beskrivas med hjälp av neurala nätverk mycket exakt.

"Att använda generativa konkurrenskraftiga nätverk för att snabbt simulera detektorbeteende kommer säkert att hjälpa framtida experiment, "säger Denis Derkach, Biträdande professor vid fakulteten för datavetenskap och medförfattare till studien. "Väsentligen, vi använde de mest moderna utbildningsmetoder som finns inom datavetenskap och vår kunskap om detektornas fysik. Mångfalden i vårt team, som bestod av datavetenskapare och fysiker, gjorde det också möjligt. "