В детекторе коллайдера каждое столкновение протонов оставляет след из десятков частиц — как брызги от брошенного в воду камня. Разобраться в этих брызгах и понять, что именно произошло в момент удара, — задача, с которой человек уже не справляется в одиночку. На помощь приходят нейросети, и EveNet — одна из самых амбициозных: её обучили на 500 миллионах смоделированных столкновений.
EveNet смотрит на каждое событие как на облако частиц: для каждой известны направление, энергия и тип. Такой подход позволяет модели улавливать общие закономерности, а не заучивать конкретные распады. В результате она обходит лучшие прежние алгоритмы в поиске тяжёлых резонансов и редких распадов бозона Хиггса — и особенно хороша, когда данных мало.
Но самое важное — модель переносит знания с симуляций на реальные данные. Она не просто находит частицы, но и измеряет тонкие квантовые корреляции между ними, устойчивые к систематическим погрешностям. Это значит, что EveNet можно доверять в precision-измерениях, где важна каждая сотая доля процента.
Такой универсальный инструмент экономит время и вычислительные ресурсы. Вместо того чтобы обучать новую модель под каждую задачу, физики берут EveNet и дообучают её на небольшом наборе данных. Для будущих коллайдеров, где поток данных вырастет в разы, это не просто удобство — это необходимость.
как её написали авторы, на английском arXiv:2601.17126
While deep learning is transforming data analysis in high-energy physics, computational challenges limit its potential. We address these challenges in the context of collider physics by introducing EveNet, an event-level foundation model pretrained on 500 million simulated collision events using a hybrid objective of self-supervised learning and physics-informed supervision. By leveraging a shared particle-cloud representation, EveNet outperforms state-of-the-art baselines across diverse tasks, including searches for heavy resonances and exotic Higgs decays, and demonstrates exceptional data efficiency in low-statistics regimes. Crucially, we validate the transferability of the model to experimental data by rediscovering the $$\Upsilon$$ meson in CMS Open Data and show its capacity for precision physics through the robust extraction of quantum correlation observables stable against systematic uncertainties. These results indicate that EveNet can successfully encode the fundamental physical structure of particle interactions, which offers a unified and resource-efficient framework to accelerate discovery at current and future colliders.
EveNet обучалась на 500 миллионах смоделированных событий — это примерно столько же, сколько произойдёт за несколько дней работы Большого адронного коллайдера на полной светимости.
Идея универсальной модели, которая понимает физику частиц, перекликается с ИИ из «Задачи трёх тел» Лю Цысиня, который моделирует поведение протонов для обмана земных детекторов.