В Большом адронном коллайдере протоны врезаются друг в друга, как два грузовика с конфетти. Осколки — десятки новых частиц — разлетаются во все стороны. Детектор записывает их следы, а потом начинается главная работа: собрать из этих следов полную картину столкновения.
Раньше этим занимался набор правил, придуманных физиками. Каждый тип частиц обрабатывался отдельно, по своим законам. Это работало, но медленно и не всегда точно. Теперь вместо набора правил — одна нейросеть. Её обучили на миллионах смоделированных столкновений, и она сама научилась собирать картину целиком.
Нейросеть работает на видеокарте — той же, что рисует графику в играх. На одно столкновение у неё уходит 20 миллисекунд. Старый способ тратил 110 миллисекунд. А для струй — потоков частиц, летящих в одну сторону, — точность измерения энергии выросла на 10–20 процентов.
Такой подход напоминает переводчика, который раньше переводил слово за словом по словарю, а теперь понимает фразу целиком. И от этого картина столкновения становится чётче — как фотография, снятая в хорошую погоду.
как её написали авторы, на английском arXiv:2601.17554
The particle-flow (PF) algorithm constructs a global description of each particle collision by producing a comprehensive list of final-state particles, and is central to event reconstruction in the CMS experiment at the CERN LHC. The existing PF implementation relies on physics-motivated heuristics and assumptions that can be replaced by machine-learning (ML) models trained directly on simulated data and naturally suited to modern graphics processing units (GPUs). A state-of-the-art ML-based PF (MLPF) reconstruction algorithm, implemented within the CMS software framework, is presented. The MLPF algorithm performs a learnable full-event reconstruction on GPUs, generalizes across detector conditions and collision energies, and replaces multiple modular reconstruction steps with a single unified model. Physics performance comparable to standard PF reconstruction is achieved in both simulation and data, with improved jet energy resolution and inference time. In simulated top quark-antiquark events under LHC Run-3 (2023$$-$$2024) conditions, the jet energy resolution improves by 10$$-$$20% for jets with transverse momentum between 30$$-$$100 GeV. Inference time is evaluated using simulated multijet events, with a median of 20 ms per event on an Nvidia L4 GPU, compared to approximately 110 ms for the standard CMS PF reconstruction.
Нейросеть обрабатывает одно столкновение за 20 миллисекунд — быстрее, чем моргает человек.