Представьте конвейер, по которому каждую секунду проносятся 30 миллионов посылок, а контролёр должен мгновенно решить, что внутри: ценный груз или мусор. На Большом адронном коллайдере такой конвейер — это триггер эксперимента LHCb, отбирающий редкие распады частиц среди миллиардов столкновений. Раньше контролёром служил набор простых правил: если сигнал превысил порог, значит, частица похожа на мюон или электрон. Но правила пропускали много мусора, а драгоценные сигналы иногда терялись.

Теперь на смену правилам пришли нейросети — обучаемые контролёры, которые видят не один признак, а целую картину. Чтобы сеть не отвлекалась на шум и не принимала случайные колебания за сигнал, ей ограничили чувствительность: даже если входные данные слегка изменятся, выход не дёрнется. Это как контролёр с твёрдой рукой, который не вздрагивает от каждого шороха. Ограничение накладывается через нормализацию весов: каждый вес в первом слое ограничен индивидуально, а в последующих слоях ограничивается сумма весов, входящих в нейрон. Активации GroupSort не увеличивают чувствительность, поэтому поведение сети остаётся предсказуемым.

Обучение шло на моделированных событиях: сигналом служили распады J/ψ и Υ(1S) на пары лептонов, а фоном — протоны для мюонов и пионы с каонами для электронов. Входные признаки масштабировались в диапазон от 0 до 1. Для мюонов сеть получала пять переменных: хи-квадрат согласования трека с хитами мюонных станций, сумму квадратов остатков и три разности наклонов трека между поддетекторами. Для электронов — шесть переменных: две оценки отношения энергии к импульсу, квадрат расстояния между экстраполированным треком и центром кластера, и три момента формы ливня в калориметре. Сети получились крошечными: около 500 параметров, то есть примерно 2 килобайта в одинарной точности. На каждый трек они добавляют всего 24–28 байт данных.

Результат превзошёл ожидания. При той же эффективности сигнала нейросети подавляют фон лучше прежних пороговых алгоритмов во всех изученных кинематических областях. Для мюонов выигрыш максимален при умеренных и высоких импульсах, где проходит большинство треков после отбора; при низких импульсах разница невелика. Для электронов улучшение наиболее заметно при низких импульсах, где энергетическое разрешение калориметра хуже и одиночный признак E/p слаб. Сеть почти не зависит от псевдобыстроты и поперечного импульса. Профилирование типичной последовательности HLT1 показывает, что ядра идентификации мюонов и электронов потребляют по 0,5–0,9% общего времени GPU — меньше, чем заменяемые ими пороговые операторы.

До этой работы было неясно, можно ли втиснуть нейросетевую идентификацию лептонов в жёсткий бюджет GPU-триггера без потери скорости и надёжности. Теперь показано, что можно. Ограничив чувствительность сети через нормализацию весов и активации GroupSort, а затем обучив её на моделированных сигналах и фонах, удалось улучшить подавление фона во всех кинематических областях, занимая менее 1% времени GPU. Этот подход может применяться в любых потоковых системах отбора событий, где нужна быстрая и устойчивая классификация: от других детекторов на коллайдерах до промышленных сенсоров. Контролёр на конвейере стал умнее, но не потерял твёрдость руки.