Científicos de la Escuela Superior de Economía y Yandex han desarrollado un método que acelera la simulación de procesos en el Gran Colisionador de Hadrones (LHC). Los resultados de la investigación se publicaron en Investigación en física e instrumentos nucleares Sección A:Aceleradores, Espectrómetros Detectores y equipos asociados .

Los experimentos en física de altas energías requieren trabajar con big data. Por ejemplo, en el LHC, millones de colisiones ocurren cada segundo, y los detectores registran estas partículas y determinan sus características. Pero para recibir un análisis preciso de los datos experimentales, es necesario saber cómo reacciona el detector a las partículas conocidas. Típicamente, esto se hace usando un software especial que está configurado para la geometría y la física de un detector en particular.

Dichos paquetes proporcionan una descripción bastante precisa de la respuesta del medio al paso de partículas cargadas, pero la tasa de generación de cada evento puede ser muy lenta. En particular, la simulación del evento único del LHC puede tardar varios segundos. Dado que millones de partículas cargadas chocan cada segundo en el propio colisionador, una descripción exacta se vuelve inaccesible.

Los investigadores de HSE y la Escuela de Análisis de Datos de Yandex pudieron acelerar la simulación utilizando Redes Adversarias Generativas. Estos se componen de dos redes neuronales que compiten entre sí durante el entrenamiento competitivo. Este método de entrenamiento se utiliza, por ejemplo, para generar fotos de personas que no existen. Una red aprende a crear imágenes similares a la realidad, y el otro busca encontrar diferencias entre representaciones artificiales y reales.

"Es sorprendente cómo los métodos que se desarrollaron básicamente para generar fotografías realistas de gatos, nos permiten acelerar los cálculos físicos en varios órdenes de magnitud, "señala Nikita Kaseev, un doctorado estudiante de HSE y coautor del estudio.

Los investigadores entrenaron redes competitivas generativas para predecir el comportamiento de partículas elementales cargadas. Los resultados mostraron que los fenómenos físicos se pueden describir utilizando redes neuronales con mucha precisión.

"El uso de redes competitivas generativas para simular rápidamente el comportamiento de los detectores sin duda ayudará a futuros experimentos, "dice Denis Derkach, Profesor Ayudante de la Facultad de Informática y coautor del estudio. "Esencialmente, utilizamos los métodos de formación más modernos disponibles en ciencia de datos y nuestro conocimiento de la física de los detectores. La diversidad de nuestro equipo, que consistía en científicos de datos y físicos, también lo hizo posible ".