В журнале Nature вышел обзор методов машинного обучения в физике элементарных частиц

Публикация статей по физике элементарных частиц в журнале Nature — явление исключительно редкое. Однако в последнем выпуске журнала появилась не просто статья, а целый обзор Machine learning at the energy and intensity frontiers of particle physics, посвященный алгоритмам, основанным на нейронных сетях и глубоком машинном обучении, в физике элементарных частиц. Применение этих методов для анализа данных берет свое начало еще в 1990-е годы, и за прошедшие десятилетия они превратились из чего-то экзотического в ключевой элемент современной экспериментальной физики частиц.

Применение машинных методов при анализе данных — это не просто механическая замена человека. Речь идет о ситуациях, возникающих при классификации или анализе событий, когда необходимо принимать решение, основываясь не на одном четком критерии, а на большом числе факторов, каждый из которых по отдельности не позволяет классифицировать событие. В этой ситуации человеку заранее не понятно, какими критериями руководствоваться при принятии решения. Вместо того, чтобы пытаться это угадать, физики предлагают алгоритмам самим выработать оптимальные критерии на основе тренировочной выборки и затем предлагают их применить к реальным данным. Задачи, где сейчас применяются такие методы, включают работу триггера (то есть принятие за считанные микросекунды решения, стоит ли записывать это событие или выбросить его), оптимизацию того, куда записывать это событие (то есть насколько велика вероятность, что к нему физики потом будут часто обращаться), восстановление импульса или энергии частицы по разрозненному отклику многих датчиков в детекторе и, наконец, классификацию типа события с большим числом рожденных частиц. Практически все публикации Большого адронного коллайдера используют эти методы, причем порой их прозорливость уже превосходит человеческую.

Обзор может быть рекомендован тем, кто хочет получить первое беглое представление об этой стороны современного эксперимента. Отдельно стоит обратить внимание на подробную аннотированную библиографию.