Большой адронный коллайдер (LHC) является крупнейшим в мире экспериментом в области физики частиц, где каждый протонный коллапс создает множество частиц. На протяжении многих лет физики пользовались алгоритмом particle-flow (PF), разработанным вручную. Однако команда CMS Collaboration впервые продемонстрировала, что алгоритм машинного обучения MLPF может полностью заменить традиционный метод, эффективно реконструируя столкновения.
MLPF обучается на основе симуляций и распознает частицы по сигналам детекторов без необходимости в явных инструкциях. В тестах, основанных на данных, имитирующих работу LHC, новый алгоритм показал сопоставимую или даже превосходящую точность, особенно при анализе джетов топ-кварков, с улучшением на 10–20% в ключевых диапазонах импульса.
Главным преимуществом MLPF является его скорость работы на современных графических процессорах (GPU), в отличие от традиционных алгоритмов, требующих центральных процессоров (CPU). Это значительно ускоряет обработку данных и улучшает эффективность экспериментов. С запуском High-Luminosity LHC в 2030 году количество столкновений вырастет в 5 раз, и MLPF поможет извлечь максимум информации из огромных объемов данных, открывая новые перспективы для поиска частиц и проверки фундаментальных теорий.