AI vil tjene til at udvikle et netværkskontrolsystem, der ikke kun registrerer og reagerer på problemer, men også kan forudsige og undgå dem. Kredit:CC0 Public Domain
Forskere fra Higher School of Economics og Yandex har udviklet en metode, der accelererer simuleringen af processer ved Large Hadron Collider (LHC). Forskningsresultaterne blev offentliggjort i Nukleare instrumenter og fysikforskning Sektion A:Acceleratorer, Spektrometre, Detektorer og tilhørende udstyr .
Eksperimenter i højenergifysik kræver arbejde med big data. For eksempel, på LHC, millioner af kollisioner sker hvert sekund, og detektorer registrerer disse partikler og bestemmer deres egenskaber. Men for at modtage en præcis analyse af eksperimentelle data, det er nødvendigt at vide, hvordan detektoren reagerer på kendte partikler. Typisk, dette gøres ved hjælp af speciel software, der er konfigureret til en bestemt detektors geometri og fysik.
Sådanne pakker giver en ret præcis beskrivelse af mediets reaktion på passagen af ladede partikler, men hastigheden af generering af hver begivenhed kan være meget langsom. I særdeleshed, simuleringen af den enkelte LHC-begivenhed kan tage op til flere sekunder. I betragtning af at millioner af ladede partikler kolliderer hvert sekund i selve kollideren, en nøjagtig beskrivelse bliver utilgængelig.
Forskere fra HSE og Yandex Data Analysis School var i stand til at fremskynde simuleringen ved hjælp af Generative Adversarial Networks. Disse består af to neurale netværk, der konkurrerer med hinanden under konkurrencetræning. Denne træningsmetode bruges, for eksempel, at generere billeder af mennesker, der ikke eksisterer. Et netværk lærer at skabe billeder, der ligner virkeligheden, og den anden søger at finde forskelle mellem kunstige og virkelige repræsentationer.
"Det er forbløffende, hvordan metoder, der grundlæggende blev udviklet til at generere realistiske billeder af katte, tillade os at fremskynde fysiske beregninger med flere størrelsesordener, " bemærker Nikita Kaseev, en ph.d. studerende på HSE og medforfatter på undersøgelsen.
Forskerne trænede generative konkurrencedygtige netværk til at forudsige opførsel af ladede elementarpartikler. Resultaterne viste, at fysiske fænomener kan beskrives ved hjælp af neurale netværk meget nøjagtigt.
"Brug af generative konkurrencedygtige netværk til hurtigt at simulere detektoradfærd vil helt sikkert hjælpe fremtidige eksperimenter, " siger Denis Derkach, Adjunkt ved Det Datalogiske Fakultet og medforfatter til undersøgelsen. "I bund og grund, vi brugte de mest moderne træningsmetoder til rådighed inden for datavidenskab og vores viden om detektorers fysik. Vores teams mangfoldighed, som bestod af dataforskere og fysikere, også gjort det muligt."