Исследователи из ВШЭ и Школы анализа данных Яндекса смогли ускорить симуляцию с помощью одного из вариантов машинного обучения на основе генеративных состязательных сетей (Generative Adversarial Networks — GAN). GAN состоит из двух нейронных сетей, которые в ходе конкурентного обучения соревнуются между собой: одна обучается генерировать как можно более похожие на обучающую выборку образы, а вторая тренируется отличать результат работы первой от настоящих данных. Исследователи научили генеративные состязательные сети предсказывать поведение заряженных элементарных частиц. Результаты показали, что физические явления с высокой точностью можно описать с помощью нейросетей.
«Использование генеративных состязательных сетей для быстрой симуляции поведения детектора безусловно поможет будущим экспериментам, — комментирует один из авторов исследования Денис Деркач из ВШЭ. — По сути, мы использовали наиболее современные методы обучения, доступные в науке о данных, и наши знания о физике детекторов. Этому способствовал смешанный состав нашего коллектива, состоящий из дата сайентистов и физиков».
Нейросеть научили предсказывать сигналы детекторов частиц
Нейросеть научили предсказывать сигналы детекторов частиц
Нейросеть научили предсказывать сигналы детекторов частиц
Искусственный интеллект научился предсказывать сигналы элементарных частиц
Нейросеть научили предсказывать сигналы детекторов частиц