Коллаборация CMS демонстрирует, что машинное обучение может превзойти традиционные методы в полной реконструкции столкновений частиц на Большом адронном коллайдере (БАК - Large Hadron Collider - LHC) в ЦЕРН.

Столкновение частиц, реконструированное с использованием нового алгоритма CMS на основе машинного обучения для моделирования потока частиц (machine-learning-based particle-flow - MLPF). Сигналы HFEM и HFHAD поступают от передних калориметров, которые измеряют энергию частиц, движущихся вблизи пучка. Изображение: CMS

Коллаборация CMS впервые показала, что машинное обучение может быть использовано для полной реконструкции столкновений частиц на БАК. Этот новый подход позволяет реконструировать столкновения быстрее и точнее, чем традиционные методы, помогая физикам лучше понимать данные БАК.

Каждое протон-протонное столкновение на БАК порождает сложную картину частиц, которую необходимо тщательно реконструировать, чтобы физики могли изучить, что на самом деле произошло. Более десяти лет в CMS используется алгоритм потока частиц (particle-flow - PF), который объединяет информацию из различных детекторов эксперимента для идентификации каждой частицы, образующейся при столкновении. Хотя этот метод работает на удивление хорошо, он основан на длинной цепочке правил, разработанных вручную физиками.

Новый алгоритм потока частиц на основе машинного обучения (MLPF) в CMS использует принципиально иной подход к задаче, заменяя большую часть жесткой логики, разработанной вручную, единой моделью, обученной непосредственно на смоделированных столкновениях. Вместо того чтобы получать указания о том, как реконструировать частицы, алгоритм учится тому, как частицы выглядят в детекторах, подобно тому, как люди учатся распознавать лица, не запоминая явных правил.

При тестировании с использованием данных, имитирующих данные текущего запуска LHC, производительность нового алгоритма машинного обучения сравнялась с производительностью традиционного алгоритма, а в некоторых случаях даже превзошла её. Например, при тестировании на смоделированных событиях, в которых были созданы топ-кварки, алгоритм повысил точность реконструкции потоков частиц — известных как струи — на 10–20% в ключевых диапазонах импульсов частиц.

Новый алгоритм также позволяет гораздо быстрее, чем раньше, полностью реконструировать столкновение, поскольку он может эффективно работать на современных электронных чипах, известных как графические процессоры (GPU). Традиционные алгоритмы обычно требуют работы на центральных процессорах (CPU), которые часто медленнее, чем GPU, для таких задач.

Новые способы применения машинного обучения могут сделать реконструкцию данных более точной и напрямую принести пользу измерениям CMS, от точных проверок Стандартной модели до поиска новых частиц. В конечном итоге, цель ученых — получить максимум информации из экспериментальных данных максимально эффективно.

Хотя новый алгоритм был протестирован в текущих условиях обработки данных LHC, прогнозируется, что он будет еще более полезен для данных с LHC высокой светимости. Модернизация БАК, завершение которой запланировано на 2030 год, позволит увеличить количество столкновений частиц примерно в пять раз, что станет серьезным вызовом для обработки экспериментальных данных на БАК. Обучая детекторы непосредственно анализировать данные, физики не просто повышают их производительность, но и переосмысливают возможности экспериментальной физики элементарных частиц.