Физики из Нью-Йоркского университета создали новые методики с применением машинного обучения для улучшения анализа данных на Большом адронном коллайдере — самом мощном ускорителе частиц в мире.
«Разработанные нами методы значительно повышают потенциальные шансы на обнаружение новой физики на БАК», — уверен Кайл Кранмер, профессор физики и ведущий автор исследования, опубликованного в журнале Physical Review Letters.
Большой адронный коллайдер исследует новый рубеж высокоэнергетической физики и впоследствии может раскрыть возникновение массы фундаментальных частиц, источник неуловимой темной материи, заполняющей Вселенную, и даже дополнительные измерения пространства.
Данные, полученные на БАК в 2012 году, подтвердили существование бозона Хиггса — субатомной частицы, играющей ключевую роль в нашем понимании Вселенной. В 2013 году Питер Хиггс и Франсуа Энглер получили Нобелевскую премию по физике за разработку теории, известной сегодня как поле Хиггса, наделяющее массой элементарные частицы.
Исследователи из Нью-Йоркского университета, включая Кранмера, искали доказательства бозона Хиггса на основе данных, полученных на БАК, разработали статистические инструменты и методологию, примененную для подтверждения открытия, измерили новую частицу — и установили, что в действительности это бозон Хиггса. Новые методы, описанные в публикации в Physical Review Letters, предполагают вероятность новаторских открытий.
«Во многих областях науки симуляции предоставляют лучшие описания сложных феноменов, но их сложно использовать в контексте анализа данных, — объясняет Кранмер. — Разработанные нами техники помогают строить мост, который позволяет нам использовать все эти очень точные симуляции в контексте анализа данных».
Зачастую задачи, стоящие перед физиками, крайне сложны. К примеру, Кранмер отмечает, что очень просто создать симуляцию паузы в игре в бильярд, когда шары бьются друг о друга и о бортики. Однако намного сложнее смотреть на конечную позицию шара, пытаясь понять, как сильно и под каким углом его изначально ударил кий.
«Несмотря на то что, думая о физике, мы представляем себе огромную доску, исписанную уравнениями, современная наука требует детальных компьютерных симуляций, — добавляет он. — Они могут быть очень точными, но эти симуляции не сразу предоставляют метод анализа данных. Машинное обучение выделяется тщательным подбором шаблонов данных — и эта способность может быть использована для суммирования симулированных данных, предоставляя современный эквивалент доски».
По информации https://naked-science.ru/article/sci/razrabotana-novaya-tehnika-po
