ИИ-модели сокращают физикам годы вычислений

В физике частиц традиционные симуляции оказываются ресурсоёмкими и не всегда точными. Исследователи применяют так называемые фундаментальные модели — нейросети, которые обучены на обширных данных и не привязаны к узким задачам. Они действуют аналогично языковым моделям, способным читать весь интернет и затем подстраиваться под конкретные запросы. После базового обучения такие модели легко адаптируются и требуют меньшего объёма специализированных данных.

Учёные протестировали одну из таких моделей, обученную на анализе джетов кварков, на задаче восстановления характеристик тау-лептонов после их распада на адроны. Эта задача требует отделения сигнала от фона, точного восстановления кинематики и определения типа распада. Предобученная модель справилась лучше, чем модели, обученные с нуля.

Главное преимущество — экономия времени. Для изучения редких процессов, вроде распадов тау-лептонов из бозона Хиггса, требуются месяцы вычислений на суперкомпьютерах. Даже снижение требуемых симуляций на 30 % ускоряет открытия. Более того, такие модели способны выявлять закономерности, скрытые в сложных данных, что может привести к новым открытиям за пределами Стандартной модели.

Ограничением подхода остаётся тестирование на реальных данных с коллайдеров. Симуляции проще, чем реальные условия эксперимента: шум сложен и непредсказуем. Если алгоритм оказался переобученным на идеализированных примерах, его точность в реальных условиях может снижаться. Необходимы дополнительные испытания на натурных данных, например, с Большого адронного коллайдера.

Читайте также: