Международная коллаборация с участием ученых факультета компьютерных наук НИУ ВШЭ предложила новый подход к проектированию детекторов для физики элементарных частиц с помощью дифференцируемого программирования и глубоких нейронных сетей. Он позволит оптимизировать производительность инструментов и повысит научную ценность результатов экспериментов.
Ученые предложили способ удешевления экспериментов физики элементарных частиц с помощью глубоких нейронных сетей / ©Getty images
Результаты исследований опубликованы в журнале Reviews in Physics. Подробнее — в материале IQ.HSE.
Современная физика элементарных частиц получает новую информацию о законах природы и уточняет значения констант благодаря ускорительным экспериментам. Ускорители элементарных частиц позволяют повторять события ранних этапов формирования Вселенной, когда зарождались законы взаимодействия, материя и поля.
Так, детекторы системы LHCb Большого адронного коллайдера, с которым больше всего работает коллаборация MODE, оптимизированы под исследования физики b-кварков. Здесь ученые ищут ответ на вопрос, как так получилось, что вещество в нашей Вселенной стало доминировать над антивеществом.
Система LHCb сложная и дорогая. Для каждого детектора создано отдельное программное обеспечение и алгоритмы обработки данных. При проектировании важна взаимосогласованная настройка и оптимизация всех детекторов эксперимента совместно с алгоритмами, которые обрабатывают данные детекторов.
Требования к детекторам, алгоритмам, программному и аппаратному обеспечению определяются заранее, исходя из опыта и экспертизы планирующих эксперимент ученых. Затем создаются цифровые модели, имитирующие свойства отдельных детекторов, и все они объединяются в общую цифровую модель эксперимента. Она позволяет оценить предполагаемую точность будущего результата для выбранных условий.
Исследователи отмечают, что этот подход имеет существенный недостаток: можно оценить качество результатов эксперимента для заданных конфигураций детекторов, но нельзя выяснить, что нужно изменить в этой сложной системе, чтобы результат стал качественнее.
В случае простого эксперимента с 2–3 компонентами задача решается прямым перебором возможных физических конфигураций и алгоритмов. Для сложной установки требуется перебирать сотни вариантов, задающих различные свойства как детекторов, так и алгоритмов. Ручной перебор возможных вариантов в этом случае не работает, потому что количество вариантов конфигурации эксперимента требует слишком больших вычислительных мощностей. Нужно автоматизировать выбор оптимальной конфигурации.
Коллаборация ученых MODE (Machine-learning Optimized Design of Experiments), в которую входят исследователи из ВШЭ, предложила комплексный подход к решению задачи оптимизации системы и, как следствие, уменьшения расходов на эксперименты. Вместо независимой оптимизации каждого элемента установки — одновременную согласованную оптимизацию всех частей для получения максимально точных и готовых к немедленному анализу данных.
Базово для таких задач требуется описания свойств отдельных компонентов эксперимента объединить в сложную, но тщательно прописанную единую систему. Дифференцируемая модель наиболее эффективна для оптимизации многомерных систем физики элементарных частиц.
Ученые исследовали, каким образом типичные компоненты современных экспериментальных установок могут быть описаны в виде автоматически дифференцируемых моделей. Также они показали, как множества компонент можно собрать в полную систему для всеобъемлющей оптимизации эксперимента.
Исследователи считают, что предложенная схема оптимизации будет полезна любой науко- и техникоемкой индустрии. «Подобные подходы могут быть использованы не только для планирования физических экспериментов, они могут применяться и более широко в индустриальных приложениях. В ближайшем будущем такие подходы позволят значительно сократить как стоимость оборудования, так и издержки во время работы. Развитие и трансфер таких технологий — одна из важных задач нашей команды», — отметил Денис Деркач, заведующий Научно-учебной лабораторией методов анализа больших данных ФКН НИУ ВШЭ.
