Cientistas da Escola Superior de Economia desenvolveram um método que permite aos físicos do Grande Colisor de Hádrons (LHC) separar vários tipos de partículas elementares com um alto grau de precisão. Os resultados foram publicados no Journal of Physics .

Um dos principais problemas não resolvidos da física moderna é a predominância da matéria sobre a antimatéria no universo. Ambos se formaram um segundo após o Big Bang, em frações presumivelmente iguais, e os físicos estão tentando entender para onde a antimatéria foi parar. Em 1966, O cientista russo Andrei Sakharov sugeriu que o desequilíbrio entre matéria e antimatéria apareceu como resultado da violação do PC, ou seja, uma assimetria entre partículas e antipartículas. Assim, apenas partículas permaneceram após sua aniquilação (destruição mútua) das contribuições desequilibradas resultantes.

O experimento de beleza Large Hadron Collider (LHCb) estuda partículas instáveis ​​chamadas mésons-B. Suas decadências demonstram a assimetria mais clara entre matéria e antimatéria. O LHCb consiste em vários detectores especializados, especificamente, calorímetros para medir a energia de partículas neutras. Os calorímetros também identificam diferentes tipos de partículas. Isso é feito por pesquisa e análise de grupos correspondentes de deposição de energia. Isto é, Contudo, não é fácil separar sinais de dois tipos de fótons - fótons primários e fótons do decaimento energético do meson π0. Cientistas de HSE desenvolveram um método para classificar esses dois com alta precisão.

Os autores do estudo aplicaram redes neurais artificiais e aumento de gradiente (um algoritmo de aprendizado de máquina) para classificar as energias coletadas nas células individuais do cluster de energia.

"Pegamos uma matriz de cinco por cinco com um centro na célula do calorímetro com a maior energia, "diz Fedor Ratnikov, um dos autores do estudo e um dos principais pesquisadores do Laboratório de Métodos de HSE para Análise de Big Data. "Em vez de analisar as características especiais construídas a partir de energias brutas em células do cluster, passamos essas energias brutas diretamente para o algoritmo para análise. A máquina foi capaz de entender os dados melhor do que uma pessoa. "

Comparado com o método anterior de pré-processamento de dados, o novo método baseado em aprendizado de máquina quadruplicou as métricas de qualidade para a identificação de partículas no calorímetro. O algoritmo melhorou a qualidade da classificação de 0,89 para 0,97; quanto maior for este valor, melhor o classificador funcionará. Com uma taxa de eficácia de 98 por cento da identificação inicial do fóton, a nova abordagem reduziu a taxa de identificação de fótons falsos de 60% para 30%.

O método proposto é único na medida em que permite que partículas elementares sejam identificadas sem estudar inicialmente as características do cluster que está sendo analisado. "Passamos os dados para o aprendizado de máquina na esperança de que o algoritmo encontre correlações que poderíamos não ter considerado. A abordagem obviamente funcionou neste caso, “Conclui Fedor Ratnikov.