В России научились быстро подбирать ИИ для ускорителей частиц

Исследователи Центра искусственного интеллекта НИУ ВШЭ предложили алгоритм, позволяющий существенно ускорить подбор моделей машинного обучения для работы с данными ускорителей частиц.

Меньше вычислений – больше надежность

Процесс создания и обучения нейромоделей обычно требует большого числа попыток и ручных проверок. Использование нового алгоритма снижает объём вычислений примерно в восемь раз.

Руководитель проекта, ведущий научный сотрудник Института ИИ и цифровых наук НИУ ВШЭ Фёдор Ратников, подчеркнул: «Для быстрого создания систем машинного обучения необходимо тренировать большое число моделей без участия человека, сохраняя при этом надёжность их работы».

Тест на повторяемость

Алгоритм автоматически сравнивает десятки конфигураций нейросетей, оценивая стабильность ответов каждой из них. Модели обучаются несколько раз — с разными начальными параметрами и слегка изменёнными входными данными. Программа анализирует разброс ошибок и выбирает те модели, которые показывают стабильный результат. Это важно при анализе данных экспериментов, когда требуется высокая точность и повторяемость результатов.

Для коллайдеров

Для тестирования исследователи использовали набор данных, полученных с одного из датчиков ускорителя. Он фиксирует энергию и направление движения частиц. Проверка показала, что оптимальную модель можно найти после примерно 41,5 тысячи попыток — в то время как стандартный перебор потребовал бы в восемь раз больше. Это позволяет значительно ускорить разработку алгоритмов для экспериментов на больших научных установках, включая коллайдеры.

Не только физика

По словам разработчиков, метод можно использовать и за пределами физики частиц — в задачах материаловедения, медицинской диагностики и в анализе сложных сигналов. Он помогает быстрее готовить модели, снижает нагрузку на исследователей и даёт возможность уделять больше внимания интерпретации результатов.