Cientistas da Escola Superior de Economia e Yandex desenvolveram um método que acelera a simulação de processos no Large Hadron Collider (LHC). Os resultados da pesquisa foram publicados em Instrumentos nucleares e pesquisa de física, seção A:aceleradores, Espectrômetros, Detectores e equipamentos associados .

Os experimentos em física de alta energia requerem trabalho com big data. Por exemplo, no LHC, milhões de colisões ocorrem a cada segundo, e os detectores registram essas partículas e determinam suas características. Mas, para receber uma análise precisa dos dados experimentais, é necessário saber como o detector reage a partículas conhecidas. Tipicamente, isso é feito usando um software especial que é configurado para a geometria e física de um detector específico.

Esses pacotes fornecem uma descrição bastante precisa da resposta do meio à passagem de partículas carregadas, mas a taxa de geração de cada evento pode ser muito lenta. Em particular, a simulação de um único evento do LHC pode levar vários segundos. Dado que milhões de partículas carregadas colidem a cada segundo no próprio colisor, uma descrição exata torna-se inacessível.

Pesquisadores do HSE e da Yandex Data Analysis School conseguiram acelerar a simulação usando Redes Adversariais Gerativas. Elas são compostas por duas redes neurais que competem entre si durante o treinamento competitivo. Este método de treinamento é usado, por exemplo, para gerar fotos de pessoas que não existem. Uma rede aprende a criar imagens semelhantes à realidade, e a outra busca encontrar diferenças entre representações artificiais e reais.

"É incrível como os métodos que foram desenvolvidos basicamente para gerar fotos realistas de gatos, nos permitem acelerar cálculos físicos em várias ordens de magnitude, "observa Nikita Kaseev, um Ph.D. aluno do HSE e coautor do estudo.

Os pesquisadores treinaram redes competitivas gerativas para prever o comportamento de partículas elementares carregadas. Os resultados mostraram que fenômenos físicos podem ser descritos usando redes neurais com alta precisão.

"O uso de redes competitivas geradoras para simular rapidamente o comportamento do detector certamente ajudará em experimentos futuros, "diz Denis Derkach, Professor Assistente da Faculdade de Ciência da Computação e co-autor do estudo. "Essencialmente, usamos os métodos de treinamento mais modernos disponíveis em ciência de dados e nosso conhecimento da física dos detectores. A diversidade de nossa equipe, que consistia em cientistas de dados e físicos, também tornou isso possível. "