Большой адронный коллайдер (LHC) — крупнейший в мире эксперимент по физике частиц, где каждое столкновение протонов рождает сложный каскад частиц. Для анализа этих событий физики десятилетие использовали алгоритм particle-flow (PF), основанный на цепочке правил, заданных вручную. Теперь команда CMS Collaboration впервые показала, что алгоритм машинного обучения MLPF способен полностью реконструировать столкновения, заменяя традиционный подход. MLPF обучается на симулированных данных, распознаёт частицы по сигналам детекторов без явных инструкций. В тестах на данных, имитирующих текущий LHC, новый алгоритм показал сопоставимую или лучшую точность, особенно при анализе джетов топ-кварков — улучшение на 10–20% в ключевых диапазонах импульса. Столкновение частиц, реконструированное с использованием нового алгоритма моделирования потока частиц (MLPF) на основе машинного обучения CMS. Сигналы HFEM и HFHAD поступают от передних калориметров, измеряющих энергию частиц, движущихся вблизи линии пучка. Источник: CMS Главное преимущество — скорость: MLPF работает на современных графических процессорах (GPU), тогда как традиционные алгоритмы требуют центральных процессоров (CPU). Это позволяет значительно ускорить обработку данных и повысить эффективность экспериментов. С запуском High-Luminosity LHC в 2030 году количество столкновений увеличится в 5 раз, что создаст новые вызовы для анализа. MLPF поможет извлекать максимум информации из огромных объёмов данных, открывая новые возможности для поиска частиц и проверки фундаментальных теорий. MLPF не только ускоряет обработку, но и расширяет горизонты экспериментов, позволяя физикам исследовать самые сложные явления Вселенной.