Брукхейвенская лаборатория применяет генеративное машинное обучение для улучшения ядерного детектирования

Недавно исследовательская группа Национальной лаборатории Брукхейвена (Brookhaven National Laboratory) США успешно разработала новый метод генеративного машинного обучения, предназначенный для эффективного извлечения слабых сигналов частичных струй из сложного фона столкновений тяжёлых ионов, что открывает новый путь для обработки данных крупных научных установок.

В экспериментах физики высоких энергий среда высокой плотности частиц, создаваемая при столкновениях тяжёлых ионов, чрезвычайно сложна, и традиционные методы обработки данных зачастую сталкиваются с огромными трудностями при идентификации и реконструкции слабых сигналов. Исследовательская группа новаторски внедрила архитектуру обучения без учителя и генеративных моделей, способную автоматически обучаться и отделять сильные фоновые помехи, что значительно улучшило точность реконструкции пространственного положения, энергии и внутренней микроструктуры струй.

В настоящее время данный метод генеративного обучения уже продемонстрировал превосходные характеристики при тестировании на моделированных данных детектора, позволяя с чрезвычайно высокой точностью восстанавливать физические характеристики продуктов столкновений. На следующем этапе исследователи планируют развернуть этот алгоритм на реальных данных физических экспериментов для дальнейшей проверки его робастности и практической ценности при обработке массивных зашумлённых научных данных.

Это научное достижение наглядно демонстрирует огромный потенциал технологий искусственного интеллекта в расширении возможностей передовых крупных научных установок и ускорении анализа сложных физических явлений. По мере дальнейшего совершенствования алгоритмов и подключения реальных данных эта технология, как ожидается, предоставит более точный вычислительный инструмент для исследования свойств кварк-глюонной плазмы в экстремальных состояниях Вселенной.