Des scientifiques de la Higher School of Economics et de Yandex ont développé une méthode qui accélère la simulation des processus au Large Hadron Collider (LHC). Les résultats de la recherche ont été publiés dans Instruments nucléaires et recherche en physique Section A :Accélérateurs, Spectromètres, Détecteurs et équipements associés .

Les expériences en physique des hautes énergies nécessitent de travailler avec des mégadonnées. Par exemple, au LHC, des millions de collisions se produisent chaque seconde, et des détecteurs enregistrent ces particules et déterminent leurs caractéristiques. Mais afin de recevoir une analyse précise des données expérimentales, il est nécessaire de savoir comment le détecteur réagit à des particules connues. Typiquement, cela se fait à l'aide d'un logiciel spécial configuré pour la géométrie et la physique d'un détecteur particulier.

De tels colis fournissent une description assez précise de la réponse du milieu au passage de particules chargées, mais le taux de génération de chaque événement peut être très lent. En particulier, la simulation de l'événement unique du LHC peut prendre jusqu'à plusieurs secondes. Étant donné que des millions de particules chargées entrent en collision chaque seconde dans le collisionneur lui-même, une description exacte devient inaccessible.

Des chercheurs du HSE et de la Yandex Data Analysis School ont pu accélérer la simulation à l'aide de Generative Adversarial Networks. Ceux-ci sont composés de deux réseaux de neurones qui se font concurrence lors d'un entraînement compétitif. Cette méthode de formation est utilisée, par exemple, pour générer des photos de personnes qui n'existent pas. Un réseau apprend à créer des images similaires à la réalité, et l'autre cherche à trouver des différences entre les représentations artificielles et réelles.

"C'est incroyable de voir comment les méthodes qui ont été développées essentiellement pour générer des photos réalistes de chats, permettent d'accélérer les calculs physiques de plusieurs ordres de grandeur, " note Nikita Kaseev, un doctorat étudiant au HSE et co-auteur de l'étude.

Les chercheurs ont formé des réseaux compétitifs génératifs pour prédire le comportement des particules élémentaires chargées. Les résultats ont montré que les phénomènes physiques peuvent être décrits avec une grande précision à l'aide de réseaux de neurones.

« L'utilisation de réseaux compétitifs génératifs pour simuler rapidement le comportement des détecteurs aidera certainement les futures expériences, " dit Denis Derkach, Professeur adjoint à la Faculté d'informatique et co-auteur de l'étude. "Essentiellement, nous avons utilisé les méthodes de formation les plus modernes disponibles en science des données et notre connaissance de la physique des détecteurs. La diversité de notre équipe, composé de data scientists et de physiciens, l'a également rendu possible."