Как нейросеть наводит резкость в ливнях частиц экспресс
В детекторе Большого адронного коллайдера каждую секунду рождаются миллионы частиц. Их вспышки энергии в калориметре похожи на капли дождя на оконном стекле: отдельные капли видны, но когда их много и они сливаются, разглядеть каждую уже сложно. А физикам нужно знать точно, сколько энергии принесла каждая частица и куда она попала.
Новый подход поручает эту работу нейросети. Вместо того чтобы по очереди разбирать каждую вспышку, алгоритм смотрит на всю картину сразу — как дирижёр, который слышит весь оркестр, а не отдельных музыкантов. Он учится на компьютерных симуляциях, где правильные ответы известны заранее, и постепенно находит закономерности, позволяющие отделить сигналы даже тогда, когда они почти полностью перекрываются.
Результаты обнадёживают. В упрощённой модели детектора новый метод точнее разделяет перекрывающиеся вспышки, не ошибается на одиночных частицах и реже принимает одну частицу за две. А когда моделировали распад нейтрального пиона на два фотона, стандартный алгоритм часто терял сигнал, а нейросеть сохраняла чёткую картину и правильно восстанавливала массу исходной частицы.
В более реалистичной модели, похожей на электромагнитный калориметр, лучший результат показала одношаговая архитектура под названием ClusTEX. Она не только точнее измеряет энергию, но и остаётся надёжной, когда часть датчиков выходит из строя — как пианист, который продолжает играть, даже если несколько клавиш залипли. Такая устойчивость важна для долгой работы детектора в условиях радиации и износа.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2603.18172
Accurate clustering of electromagnetic energy deposits is essential for reconstructing photons and electrons in modern hadron collider experiments, where boosted topologies and pileup cause overlapping showers and ambiguous energy assignment. We present deep learning-based clustering approaches that reconstruct particle energy and position directly from calorimeter readout. The study includes a two-step strategy in which candidate seed windows are identified and then jointly processed via distance-weighted message passing or attention mechanism and a single-step graph transformer, ClusTEX, which performs candidate selection and reconstruction in one inference stage. ClusTEX uses a novel positional encoding scheme that separates local coordinates within the graph from global detector coordinates, enabling efficient, geometry-aware inference. Models are trained on GEANT4 simulations of a simplified (toy) and an ECAL-inspired topology with an explicit $$\eta-\phi$$ dependence. Performance is evaluated using efficiency, energy and position resolutions and splitting rate - reconstruction of two objects for a single photon. In the toy calorimeter, attention-based interactions improve the reconstruction of overlapping showers relative to both the standard algorithm and distance-driven message passing, while maintaining performance on isolated photons and reducing splitting without multi-pass inference. For boosted $$\pi^0\to\gamma\gamma$$, the attention-based model retains di-photon mass reconstruction capability, where the standard algorithm becomes inefficient. In the ECAL-inspired topology, ClusTEX provides the best overall performance, yielding improved energy resolution and reduced splitting compared to two-step approaches and the standard algorithm. It also remains robust under localized detector failures, showing improved stability and partial recovery of energy in non-responsive channels.
Калориметр в физике — это не прибор для похудения, а устройство, которое измеряет энергию частиц, заставляя их застревать в плотном материале и отдавать тепло или свет.
В фантастическом романе «Задача трёх тел» Лю Цысиня инопланетяне используют развёрнутые протоны для слежки за ускорителями — а здесь земные учёные борются с шумом от самих детекторов.