В России научились быстро подбирать ИИ для ускорителей частиц
Алгоритм машинного подбора нейросетей для анализа научных данных позволяет сократить объем вычислений в 8 раз
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.
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.
