Эксперимент CMS в ЦЕРН впервые провёл полную ML-реконструкцию столкновений частиц
Коллаборация CMS демонстрирует прорыв: алгоритм машинного обучения для реконструкции потоков частиц превосходит традиционные методы по скорости и точности, улучшая энергетическое разрешение джетов на 10–20% для ключевых физических процессов.
Ключевые выводы
Коллаборация CMS в ЦЕРН впервые провела полную реконструкцию столкновений частиц с помощью машинного обучения, заменив десятилетия кропотливо настраиваемых алгоритмов. Это может ускорить физические открытия за счёт более эффективной обработки петабайтов данных Большого адронного коллайдера.
Коллаборация CMS в ЦЕРН объявила о знаковом достижении в вычислительной физике: впервые полная реконструкция столкновений частиц на Большом адронном коллайдере выполнена с использованием алгоритма машинного обучения для реконструкции потоков частиц (MLPF). Новый подход, продемонстрированный в феврале 2026 года, превосходит традиционные ручные методы реконструкции как по скорости обработки, так и по точности измерений.
Обучение непосредственно на столкновениях
В отличие от традиционных алгоритмов потоков частиц, основанных на кропотливо настраиваемых правилах, разрабатывавшихся десятилетиями, алгоритм MLPF обучается непосредственно на смоделированных столкновениях. Этот подход позволяет системе находить оптимальные стратегии реконструкции, которые физики-люди могли бы не рассмотреть, обеспечивая измеримо лучшие результаты по множеству физических метрик.
Алгоритм использует современные графические процессоры (GPU) для эффективной обработки, значительно сокращая время реконструкции по сравнению с традиционными CPU-методами. Для смоделированных событий с топ-кварк–антикварковыми парами алгоритм MLPF улучшил энергетическое разрешение джетов на 10–20% в определённых диапазонах импульсов — существенное улучшение в области, где даже однопроцентный выигрыш представляет годы разработки.
Подготовка к лавине данных
Время этого прорыва критически важно. Большой адронный коллайдер высокой светимости (HL-LHC), запуск которого запланирован на 2030 год, будет генерировать в пять–десять раз больше столкновений частиц в секунду, чем текущая конфигурация LHC. ЦЕРН прогнозирует, что при использовании существующих алгоритмов вычислительные мощности будут в 10–100 раз ниже необходимого уровня — машинное обучение становится необходимым для будущего физики элементарных частиц.
За пределами реконструкции
Достижение MLPF — часть более широкой трансформации обработки данных в экспериментах по физике частиц. Машинное обучение развёртывается по всему физическому конвейеру: от триггерных систем, решающих в реальном времени, какие столкновения записывать, через алгоритмы трековой реконструкции, отслеживающие траектории частиц через детекторы, до генеративных моделей, способных симулировать столкновения до 40 раз быстрее традиционных методов Монте-Карло.
Новый генеральный директор ЦЕРН профессор Марк Томсон подчеркнул, что ИИ «революционизирует фундаментальную физику», потенциально приведя к новым открытиям и пересмотру существующих теорий. Успешное развёртывание MLPF — конкретное подтверждение этого видения, демонстрирующее, что машинное обучение способно не только обрабатывать физические данные эффективнее, но и извлекать из тех же данных больше информации, чем традиционные методы.