Глубокое обучение привлекли к проблеме аномального магнитного момента мюона

Польские физики, проводящие эксперимент MUonE, сообщили о обучении нейросети, которая быстро и точно определяет треки частиц, порожденных рассеянием мюонов на электронах. Разработка поможет быстрее обрабатывать данные в будущих экспериментах, призванных разобраться с проблемой аномального магнитного момента мюона. Исследование опубликовано в журнале Computer Science, кратко его пересказывает пресс-релиз группы.

Алгоритмы машинного обучения имеют в своей основе статистические методы, а потому опираются на наборы данных. Физика элементарных частиц стала одной из тех областей, где эти методы оказались наиболее полезны. Так происходит потому, что столкновения частиц высоких энергий на ускорителях порождают огромное многообразие процессов, которые оставляют свой след на детекторах, и с ростом энергии количество такой информации неуклонно растет, измеряясь петабайтами.

Это, в свою очередь, создает другую проблему. Сегодня многие лаборатории по физике высоких энергий переходят на непрерывное считывание и обработку данных, когда алгоритмы выделяют интересные редкие события на лету и сохраняют только их, поскольку хранить информацию обо всех процессах в камере технически невозможно. С ростом энергии растут требования к скорости этих алгоритмов, и методы классического машинного обучения постепенно приближаются к своему пределу.

Физики из Института ядерной физики Польской академии наук, которые проводят эксперимент MUonE, решили использовать для анализа треков частиц глубокое машинное обучение. Цель проекта MUonE — независимое и точное определение лидирующего адронного вклада в аномальный магнитный момент мюона. Ученые пытаются измерить параметры упругого мюон-электронного рассеяния, пропуская пучки мюонов с энергиями порядка 150–160 гигаэлектронвольт через мишени из легких атомов бериллия.

Идея эксперимента заключается в отслеживании рассеянных частиц с помощью измерения траекторий их движения. Для этого физики размещают на пути мюонов несколько бериллиевых слоев, за которыми следуют слои кремниевых детекторов.

Для обучения нейросети физики с помощью пакета для симуляций Geant4 подготовили датасет с 40 тысячами столкновений частиц, дополненный искусственно сгенерированным шумом. Сама нейросеть состояла из входного 20-нейронного слоя, четырех полносвязных слоев по 1000 нейронов в каждом и выходного 8-нейронного слоя, реализованных на фреймворке PyTorch.

Сравнение глубокого обучения с классическим подходом показало, что первое не уступает второму как по разрешающей способности, так и по точности, но существенно превосходит в скорости. По мнению авторов, обученная таким образом нейросеть пригодится в экспериментах по уточнению аномального магнитного момента мюона.

Напомним, последние результаты эксперимента в Фермилабе вступают в противоречие со Стандартной моделью со статистической значимостью в 5σ. Вместе с тем российские физики, работающие на электрон-позитронном коллайдере ВЭПП-2000, год назад представили данные, согласно которым это расхождение меньше в четыре раза.