Нейросеть, натренированная на столкновениях протонов и электронов, перенесла свои навыки на совсем другой эксперимент — ловлю нейтрино. Словно повар, который учился готовить французскую кухню, а потом без подготовки испёк отличный узбекский плов.
Исследователи взяли модель OmniLearned, обученную на данных с ускорителей частиц, где энергии огромны, а детекторы сложны. Затем проверили её на событиях из MINERvA — детектора, который ловит нейтрино от ускорителя с энергией всего в несколько гигаэлектронвольт. Нейросеть должна была угадывать энергию частиц и распознавать, родились ли в реакции пионы.
Результат удивил: модель, которая никогда не видела нейтринных данных, справилась лучше, чем её близнецы, обученные с нуля специально для MINERvA. При том же объёме вычислений и том же числе шагов обучения перенесённая модель давала более точные ответы. Это значит, что в процессе обучения на разнообразных данных нейросеть усвоила общие закономерности физики частиц, которые работают и на других энергиях, детекторах и типах взаимодействий.
Такой перенос знаний сулит переворот в анализе данных: вместо того чтобы каждый раз обучать новую модель под конкретный эксперимент, можно использовать один универсальный инструмент. Это сэкономит время и вычислительные ресурсы, а заодно ускорит открытия.
И вот повар, освоивший французскую кухню, уже готовит плов — и делает это лучше местных поваров. Возможно, скоро у физиков появится универсальный помощник, который понимает язык частиц независимо от того, где и как они родились.
как её написали авторы, на английском arXiv:2604.12364
Future AI-based studies in particle physics will likely start from a foundation model to accelerate training and enhance sensitivity. As a step towards a general-purpose foundation model for particle physics, we investigate whether the OmniLearned foundation model pre-trained on diverse high-$$Q^2$$ simulated and real $$pp$$ and $$ep$$ collisions can be effectively transferred to a few-GeV fixed-target neutrino experiment. We process MINERvA neutrino--nucleus scattering events and evaluate pre-trained models on two types of tasks: regression of available energy and binary classification of charged-current pion final states ($$\mathrm{CC1\pi^{\pm}}$$, $$\mathrm{CCN\pi^{\pm}}$$, and $$\mathrm{CC1\pi^{0}}$$). Pre-trained OmniLearned models consistently outperform similarly sized models trained from scratch, achieving better overall performance at the same compute budget, as well as achieving better performance at the same number of training steps. These results suggest that particle-level foundation models acquire inductive biases that generalize across large differences in energy scale, detector technology, and underlying physics processes, pointing toward a paradigm of detector-agnostic inference in particle physics.
Нейтрино настолько неуловимы, что каждую секунду через ваше тело проходят триллионы этих частиц, но за всю жизнь лишь одна-две провзаимодействуют с веществом вашего тела.