В физике частиц симуляции данных требуют огромных ресурсов и все равно не идеально точны. Чтобы обойти эту проблему, ученые начали использовать фундаментальные модели — мощные ИИ-алгоритмы, обученные на огромных массивах данных без привязки к конкретной задаче. Так же, как языковые модели учатся на всем тексте интернета, а потом доучиваются для узких задач, эти модели анализируют потоки частиц (джеты) даже без заранее заданных меток. После базового обучения их можно быстро адаптировать под конкретные задачи, причем с меньшими затратами данных, чем в традиционных методах.

В этом исследовании проверили, как одна из таких моделей, изначально обученная на джетах, справится с совершенно другой задачей — восстановлением характеристик тау-лептонов, распадающихся на адроны. Это сложная многоэтапная проблема: нужно отделить частицы от распада тау от фонового шума, точно восстановить их кинематику и определить тип распада.

Тау-лептон — тяжелая элементарная частица, «кузен» электрона, но в 3500 раз массивнее. Живет меньше триллионной доли секунды, распадаясь на адроны (частицы из кварков) или другие лептоны. Его изучение критично для проверки Стандартной модели, но сложно из-за быстрого распада и фона от других процессов.

Результаты опубликованы в издании Scipost Physics Core.

Оказалось, что предобученная модель работает с новыми данными лучше, чем модели, обученные с нуля. Это значит, что фундаментальные модели могут ускорить и упростить анализ в физике частиц, особенно когда качественных симуляций мало. Метод особенно полезен для изучения редких частиц вроде тау-лептона, включая исследования бозона Хиггса.

Главная выгода — экономия времени и ресурсов. Сейчас для анализа редких процессов (например, распадов Хиггса на тау-лептоны) требуются месяцы расчетов на суперкомпьютерах. Если предобученная модель сократит объем нужных симуляций даже на 30%, это ускорит открытия. Кроме того, такие модели могут выявлять закономерности, которые люди упускают из-за сложности данных. В перспективе это может привести к неожиданным находкам — например, к особенностям новой физики за пределами Стандартной модели.

Исследование не учитывает, как модель поведет себя на реальных данных с детекторов, а не на симуляциях. В физике частиц фоновый шум часто сложнее и непредсказуемее, чем в искусственных данных. Если алгоритм «переучился» на идеализированных примерах, его точность в реальных условиях может резко упасть. Нужны тесты на сырых данных БАК или других коллайдеров.

Ранее ученые заявили, что БАК регулярно творит магию.