ნეიროქსელს ასწავლეს ნაწილაკების დეტექტორების სიგნალების პროგნოზირება

 https://indicator.ru/mathematics/nejroset-signaly-detektorov-chastic-11-03-2019.htm

ნეიროქსელს ასწავლეს ნაწილაკების დეტექტორების სიგნალების პროგნოზირება

ეკონომიკის უმაღლესი სკოლის და იანდექსის თანამშრომლებმა შეიმუშავეს მეთოდი, რომელსაც შეუძლია მნიშვნელოვნად დააჩქაროს პროცესების მოდელირება დიდ ადრონულ კოლაიდერზე. ახალი მიდგომა მდგომარეობს ნეიროქსელის მომზადებაში დეტექტორებში რეალური ნაწილაკების მოხვედრის შედეგების გენერირებისთვის. რუსეთის სამეცნიერო ფონდის გრანტით მხარდაჭერილი კვლევის შედეგები გამოქვეყნებულია ჟურნალში Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment.

ექსპერიმენტები მაღალი ენერგიის ფიზიკაში მოითხოვს დიდ მონაცემებთან მუშაობას. მაგალითად, ყოველ წამში მილიონობით შეჯახება ხდება დიდ ადრონულ კოლაიდერში, წარმოიშვება მრავალი ნაწილაკი, რომლებიც რეგისტრირდება დეტექტორების მიერ, მათ შეუძლიათ მათი მახასიათებლების განსაზღვრა. თუმცა, ექსპერიმენტული მონაცემების ზუსტად გასაანალიზებლად აუცილებელია ვიცოდეთ, როგორ რეაგირებს დეტექტორი უკვე ცნობილ ნაწილაკებზე. ჩვეულებრივ, ამისათვის გამოიყენება სპეციალური პროგრამული უზრუნველყოფა, რომელიც მორგებულია კონკრეტული დეტექტორის გეომეტრიასა და ფიზიკაზე, რაც შესაძლებელს ხდის რეგისტრაციის იმიტირებას. ასეთი პროგრამული პაკეტები იძლევა გარემოს პასუხების საკმაოდ ზუსტ აღწერას დამუხტული ნაწილაკების გავლის შესახებ, მაგრამ თითოეული მოვლენის გენერაციის სიჩქარე შეიძლება ძალიან დაბალი იყოს. კერძოდ, დიდი ადრონული კოლაიდერის ერთი მოვლენის სიმულაციას შეიძლება რამდენიმე წამი დასჭირდეს. კოლაიდერში ყოველ წამში შეჯახების რაოდენობის გათვალისწინებით, ზუსტი აღწერა მიუწვდომელი ხდება.

ეკონომიკის უმაღლესი სკოლის და იანდექსის ანალიზის სკოლის მკვლევარებმა შეძლეს სიმულაციის დაჩქარება მანქანური სწავლების ერთ-ერთი ვარიანტის გამოყენებით, რომელიც დაფუძნებულია გენერაციულ შეჯიბრებით ქსელებზე (Generative Adversarial Networks — GAN). გენერაციული შეჯიბრებითი ქსელები შედგება ორი ნეირონული ქსელისაგან, რომლებიც ეჯიბრებიან ერთმანეთს კონკურენტული სწავლების დროს: ერთი სწავლობს  სასწავლო ამონაკრების რაც შეიძლება მსგავსი გამოსახულებების გენერირებას, ხოლო მეორე ვარჯიშობს, რათა განასხვავოს პირველის მუშაობის შედეგი რეალური მონაცემებისგან. მკვლევარებმა ასწავლეს გენერაციულ შეჯიბრებით ქსელს დამუხტული ელემენტარული ნაწილაკების ქცევის პროგნოზირება. შედეგებმა აჩვენა, რომ ფიზიკური მოვლენების აღწერა მაღალი სიზუსტით შესაძლებელია ნეიროქსელების დახმარებით.

„გენერაციული შეჯიბრებითი ქსელების გამოყენება დეტექტორის ქცევის სწრაფად სიმულაციისთვის, რა თქმა უნდა, დაეხმარება მომავალ ექსპერიმენტებს, - აღნიშნავს დენის დერკახი, კვლევის ერთ-ერთი ავტორი ეკონომიკის უმაღლესი სკოლიდან. - ძირითადად, ჩვენ ვიყენებდით ყველაზე მოწინავე სასწავლო მეთოდებს, რომლებიც ხელმისაწვდომია მონაცემთა მეცნიერებაში, და ჩვენი ცოდნა დეტექტორების ფიზიკის შესახებ. ამას ხელი შეუწყო ჩვენი კოლექტივის შერეულმა შემადგენლობამ, რომელიც შედგებოდა დატა-საიენტებისგან და ფიზიკოსებისგან“.