Физики выдохнули, ЦЕРН ликует. Нейросеть ускорила Большой адронный коллайдер в пять раз и навсегда отменила ручной код
NewsMakerСамый сложный прибор человечества починили методом ленивого студента.
Коллаборация CMS на Большом адронном коллайдере описала подход , который раньше для экспериментов такого масштаба считался слишком рискованным: полностью восстанавливать картину столкновения частиц с помощью одной обученной модели , а не длинной цепочки правил и проверок, написанных вручную. Авторы утверждают, что новый метод в испытаниях работает не хуже привычной схемы, а местами даёт заметный прирост точности, при этом ускоряет обработку событий за счёт эффективной работы на графических процессорах .
Сами столкновения протонов на коллайдере выглядят для детектора как набор разрозненных следов в разных подсистемах. Внутренний трекер фиксирует траектории заряженных частиц, калориметры измеряют энергию, оставленную в веществе детектора, мюонная система помогает выделять мюоны среди множества других частиц. Чтобы из этого набора сигналов перейти к физике, сначала нужно собрать итоговый список проявившихся частиц и их параметры. Именно на этом слое потом строятся измерения и поиски: от проверок Стандартной модели до охоты за новыми частицами.
В CMS больше 10 лет основу такой реконструкции составляет подход, который принято называть particle flow (поток частиц) - по сути это метод, который объединяет информацию всех подсистем и старается для каждого наблюдаемого следа понять, какой именно частице он соответствует. Он славится качеством, но цена за него тоже немаленькая: внутри спрятана длинная последовательность правил, эвристик и исключений, которые физики и разработчики шлифовали годами под реальное поведение детектора. Такой конвейер сложно радикально ускорять, а любые изменения требуют осторожности, потому что любой шаг в сторону влияет на всё остальное.
Новый алгоритм CMS устроен иначе. Вместо того чтобы прописывать, как именно сопоставлять треки с откликами калориметров, как разруливать неоднозначности и как собирать итоговые объекты шаг за шагом, команда обучает модель на симулированных столкновениях. Модель получает примеры того, как реальные частицы обычно проявляются в детекторе, и учится сразу выдавать полный результат реконструкции для события. Авторы сравнивают это с тем, как человек распознаёт лица: не по списку формальных правил, а по образцам, которые видел раньше, только здесь роль образцов играет симуляция.
Коллаборация CMS на Большом адронном коллайдере описала подход , который раньше для экспериментов такого масштаба считался слишком рискованным: полностью восстанавливать картину столкновения частиц с помощью одной обученной модели , а не длинной цепочки правил и проверок, написанных вручную. Авторы утверждают, что новый метод в испытаниях работает не хуже привычной схемы, а местами даёт заметный прирост точности, при этом ускоряет обработку событий за счёт эффективной работы на графических процессорах .
Сами столкновения протонов на коллайдере выглядят для детектора как набор разрозненных следов в разных подсистемах. Внутренний трекер фиксирует траектории заряженных частиц, калориметры измеряют энергию, оставленную в веществе детектора, мюонная система помогает выделять мюоны среди множества других частиц. Чтобы из этого набора сигналов перейти к физике, сначала нужно собрать итоговый список проявившихся частиц и их параметры. Именно на этом слое потом строятся измерения и поиски: от проверок Стандартной модели до охоты за новыми частицами.
В CMS больше 10 лет основу такой реконструкции составляет подход, который принято называть particle flow (поток частиц) - по сути это метод, который объединяет информацию всех подсистем и старается для каждого наблюдаемого следа понять, какой именно частице он соответствует. Он славится качеством, но цена за него тоже немаленькая: внутри спрятана длинная последовательность правил, эвристик и исключений, которые физики и разработчики шлифовали годами под реальное поведение детектора. Такой конвейер сложно радикально ускорять, а любые изменения требуют осторожности, потому что любой шаг в сторону влияет на всё остальное.
Новый алгоритм CMS устроен иначе. Вместо того чтобы прописывать, как именно сопоставлять треки с откликами калориметров, как разруливать неоднозначности и как собирать итоговые объекты шаг за шагом, команда обучает модель на симулированных столкновениях. Модель получает примеры того, как реальные частицы обычно проявляются в детекторе, и учится сразу выдавать полный результат реконструкции для события. Авторы сравнивают это с тем, как человек распознаёт лица: не по списку формальных правил, а по образцам, которые видел раньше, только здесь роль образцов играет симуляция.