Глубокие нейронные сети сделают экспе­ри­мен­таль­ную физику элементарных частиц дешевле

Сначала коротко

Проблема: В экспериментах по столкновению элементарных частиц в Большом адронном коллайдере для обеспечения качественных научных результатов требуется тонко настроенная и оркестрованная система детекторов частиц и алгоритмов для сбора информации о произошедших событиях. Выпадение любого из её звеньев способно поставить валидность полученных данных под вопрос. Эксперимент потребуется повторить, а это стоит огромных денег.

Решение: Учёные предложили новый подход к решению задачи оптимизации экспериментальной системы, основанный на применении искусственного интеллекта. Вместо независимой настройки каждого элемента установки предлагается одновременная сонастройка всех частей. Это обеспечит максимально точные и готовые к немедленному анализу данные и, как следствие, уменьшит расходы на эксперименты.

Теперь подробнее

Международная коллаборация с участием ученых факультета компьютерных наук НИУ ВШЭ Алексея Болдырева, Фёдора Ратникова и Дениса Деркача предложила новый подход к проектированию детекторов для физики элементарных частиц с помощью дифференцируемого программирования и глубоких нейронных сетей. Он позволит оптимизировать производительность инструментов и повысит научную ценность результатов экспериментов. Результаты исследований опубликованы в журнале Reviews in Physics.

О чём это?

Современная физика элементарных частиц во многом получает новую информацию о законах природы, а также уточняет значения фундаментальных констант с помощью экспериментов на ускорителях частиц. В таких опытах частицы — протоны, электроны, ионы — разгоняют до колоссальных скоростей и энергий, а затем сталкивают между собой. Последствия этих столкновений фиксируются системой специальных детекторов, данные о них очищаются и анализируются.

Главная задача учёных-физиков на сегодня — это завершение Стандартной модели (СМ) — современной теории строения и взаимодействий элементарных частиц. А в перспективе — создание Теории всего, способной примирить Общую теорию относительности (ОТО) Альберта Эйнштейна, хорошо объясняющую поведение звёзд и галактик, структуру пространства и времени, с квантовой механикой (КМ), описывающей на микроуровне поведение субатомных элементарных частиц.

Ценность ускорителей элементарных частиц в том, что они позволяют в экспериментах повторить события ранних этапов формирования Вселенной. Так, на Большом адронном коллайдере (БАК) учёные могут наблюдать взаимодействия частиц с высокой детализацией. В будущем они помогут понять всю полноту взаимодействий материи, пространства и энергии.

Физики и специалисты в области компьютерных наук из НИУ ВШЭ больше всего работают с детекторами эксперимента Large Hadron Collider beauty experiment (LHCb) Большого адронного коллайдера, которые оптимизированы под исследования физики прелестных b-кварков. Здесь учёные исследуют физику за пределами Стандартной модели, потенциальную ступень к нахождению Теории всего.

На LHCb работают несколько типов детекторов:

1. Вершинный. Он состоит из кремниевых пластин, сходных по принципу работы с матрицами цифрового фотоаппарата. При прохождении через них продуктов столкновения протонов в кремнии образуются в том числе электроны. По их местоположению можно построить траектории движения частиц и найти вершину, точку рождения частицы.
2. Черенковские счетчики. С их помощью детектируют и замеряют параметры свечения от прохода частицы через вещество со скоростью большей, чем скорость света в этом же веществе. По этим данным вычисляется скорость частицы.
3. Трековые детекторы фиксируют траектории движения частицы в магнитном поле. Здесь рассматриваются не только образованные в результате самого протонного столкновения частицы, но и продукты последующих распадов b-мезонов и других короткоживущих частиц. По этим данным вычисляются импульсы вторичных частиц. 
4. Система калориметров измеряет энергию проходящих через неё частиц.
5. Мюонные камеры. Образованные в результате протонного столкновения мюоны, в отличие от других частиц, могут пройти всю детекторную систему насквозь. Мюоны с определенными параметрами показывают, что из всего потока данных является потенциально важным. При детекции такой частицы данные записываются и сохраняются для последующего анализа.

Ресурсы исследователей ограничены. И результат эксперимента объективно определяется на уровне самого слабого и неточного элемента системы. Для каждого детектора создано отдельное программное обеспечение и алгоритмы обработки данных, поэтому важна взаимосогласованная настройка и оптимизация всех детекторов эксперимента совместно с обрабатывающими данные этих детекторов алгоритмами. Все элементы системы должны работать на одинаково высоком уровне точности и чувствительности, неточность в работе одного детектора сведёт на нет усилия по оптимизации всех остальных.

Требования к детекторам, алгоритмам, программному и аппаратному обеспечению определяются заранее, исходя из опыта и экспертизы планирующих эксперимент учёных. Затем создаются цифровые модели, имитирующие свойства отдельных детекторов, все они объединяются в общую цифровую модель эксперимента. Она позволяет оценить предполагаемую точность будущего результата для выбранных условий.

Этот подход стабильно работает, но имеет существенный недостаток: можно оценить качество результатов эксперимента для заданных конфигураций детекторов, но затруднительно выяснить, что нужно изменить в этой сложной системе, чтобы результат стал качественнее.

«Взаимодействие частиц с материей имеет принципиально вероятностный характер и подчиняется законам квантового мира. Для преодоления этих неопределенностей нам требуется большое количество повторений моделирования взаимодействий. В итоге моделирование даже одного варианта сложного детектора предполагает дорогостоящие крупномасштабные вычисления. Поэтому для нахождения характеристик оптимального детектора нам необходим другой путь», — считает Алексей Болдырев, научный сотрудник Научно-учебной лабораторией методов анализа больших данных НИУ ВШЭ, а также член коллабораций LHCb (CERN) и MODE.

В случае простого эксперимента задача оптимизации решается прямым перебором возможных физических конфигураций и алгоритмов. Для сложной установки требуется перебирать сотни вариантов, задающих различные свойства как детекторов, так и компьютерных программ, что требует слишком больших вычислительных ресурсов. Возникает необходимость в эффективной автоматизации выбора оптимальной конфигурации.

Сложность и полная взаимосвязь вычислительных алгоритмов для обработки данных дополнительно требует рассматривать систему сразу целиком. Более того, архитектура современных алгоритмов сама диктует требования к конфигурациям детекторов, поэтому старый подход, при котором программы надстраивались на уже предоптимизированные детекторы, становится неоптимальным. Требуется одновременная оптимизация алгоритмического обеспечения сбора и обработки данных экспериментов и параметров детекторов.

Какое решение предложили?

Коллаборация учёных MODE (Machine-learning Optimized Design of Experiments), в которую входят и исследователи из НИУ ВШЭ, предложила комплексный подход к решению задачи оптимизации системы. В его рамках учёные ищут оптимальные конфигурации каждого компонента детекторов с использованием глубоких нейронных сетей и дифференцируемого программирования, что позволяет вести одновременный учёт сразу всех параметров эксперимента. Вместо независимой сонастройки каждого элемента установки происходит одновременная согласованная оркестрация всех частей экспериментальной системы, которая обеспечивает максимально точные и готовые к немедленному анализу данные.

Именно на поиск оптимального решения комплексных многомерных задач заточены алгоритмы машинного обучения. Однако для их применения требуется объединить описания свойств отдельных компонентов эксперимента в сложную, но тщательно прописанную единую систему.

Дифференцируемая модель оказалась наиболее эффективной для оптимизации многомерных сложных систем экспериментов физики элементарных частиц. В таких моделях влияние каждого из сотен параметров может быть вычислено аналитически в рамках одной подсистемы, и затем это влияние автоматически учитывается во всех остальных элементах всей системы.

Кроме того, использование нейронных сетей позволило автоматически подстроить алгоритмы обработки данных под текущие конфигурации детекторов. В результате задача комплексной оптимизации физического детектора может быть переформулирована в терминах стандартной задачи оптимизации машинного обучения.

Ученые коллаборации MODE изучили, каким образом типичные компоненты современных экспериментальных установок могут быть описаны в виде автоматически дифференцируемых моделей. Также они показали, как множества компонентов можно собрать в полную систему для всеобъемлющей оптимизации эксперимента.

«Последовательное применение предложенного подхода потребует разработки дифференцируемых реализаций стохастических моделей физической симуляции для данных эксперимента. Однако с уже разработанными компонентами подхода, например, была проанализирована зависимость точности будущих измерений от сложности нового электромагнитного калориметра, важнейшего детектора физического эксперимента LHCb. Старый калориметр уже почти выработал свой ресурс и подлежит замене в любом случае. Полученные результаты позволят выбрать оптимальную конфигурацию нового детектора по соотношению “цена — качество” будущих научных результатов», — рассказывает Фёдор Ратников, ведущий научный сотрудник Научно-учебной лабораторией методов анализа больших данных НИУ ВШЭ, член коллаборации MODE и коллаборации LHCb в CERN.

В статье учёные раскрывают пользу интеграции автоматического дифференцирования в общий подход к расчётам в экспериментах по физике элементарных частиц. Их подход учитывает, что наиболее выгодная конфигурация всей системы детекторов и алгоритмов для эксперимента отличается от простого объединения различных компонентов, проходивших независимую оптимизацию. Авторы статьи обращают внимание, что для реализации предложенного метода будет необходимо использовать облачную инфраструктуру для доступа к масштабируемым и контролируемым вычислительным ресурсам.

Для чего это нужно?

Развитие технологий по всему миру уже ставит многие производства и их работников в условия, сходные с работой больших научных лабораторий. Биологи и медики в фармакологических и агрокомпаниях изучают живые существа, чьё поведение определяется не только сложными геномными взаимодействиями, но и факторами внешней среды, обуславливающими диапазон генетических реакций. Производители самолётов, кораблей, бытовой электроники, роботизированных сборочных линий, городских систем очистки воды — все имеют дело со сложными техническими системами, устаревающими и выходящими из строя. И все стремятся оптимизировать режимы работы электроники и механических узлов, удешевить производство и эксплуатацию систем. Описанная в статье схема оптимизации будет полезна для любой наукоемкой индустрии, уверены научные сотрудники НИУ ВШЭ.

«Подобные подходы могут быть использованы не только для планирования физических экспериментов, они могут применяться и более широко в индустриальных приложениях. В ближайшем будущем такие методы позволят значительно сократить как стоимость оборудования, так и издержки во время работы. Развитие и трансфер данных технологий — одна из важных задач нашей команды», — комментирует Денис Деркач, заведующий Научно-учебной лабораторией методов анализа больших данных ФКН НИУ ВШЭ.
IQ