Нейросеть победила квантовую интерференцию и превзошла учёных в анализе данных по бозону Хиггса

Пока учёные прогнозировали результаты исследования бозона Хиггса на Большом адронном коллайдере на 15 лет вперёд, нейросеть выполнила всю работу за них. Теперь необходимо строить новый прогноз по экспериментам, что требует разработки новых опытов и условий их проведения. Но в этом и заключается прелесть ситуации: наука может заметно быстрее продвигаться вперёд к пока ещё неизвестной физике.

Выбираем лучшие игровые ноутбуки на российском рынке (вторая половина 2026 года)

Обзор HONOR Pad X9b Max: универсальный большой планшет с антибликовым экраном

Мастерская локальных ИИ: салат картофельный с Qwen3.8

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Компьютер месяца, спецвыпуск: выбираем мини-ПК для работы и развлечений в эпоху дефицита чипов памяти

Сравнительный тест камер флагманских смартфонов (2026): итоги

Групповое тестирование 46 видеокарт в The Witcher 3: Wild Hunt — Remastered

Источник изображения: CERN

Эта история началась в 2017 году, когда один из руководителей коллаборации ATLAS на БАК поручил аспиранту Айшику Гошу (Aishik Ghosh) проработать один из вариантов детектирования бозона Хиггса, впервые зарегистрированного пятью годами ранее. Бозон Хиггса считается ответственным за массу элементарных частиц. На ускорителе он возникает в процессе сталкивания протонов и их распада.

В частности, при распаде могут возникать W-бозоны, которые отвечают за слабые ядерные взаимодействия в ядрах. При слиянии W-бозонов может возникать бозон Хиггса, который тут же распадается на два Z-бозона, тоже являющихся переносчиками слабого ядерного взаимодействия. В свою очередь, Z-бозоны распадаются на лептоны, например, на электронно-позитронные пары. Нюанс в том, что бозон Хиггса образуется не всегда, и этот этап в процессе распада может быть пропущен без изменения всей схемы. И анализировать приходится не то, что есть, а то, что пропало, а это гораздо труднее. По крайней мере, для нейронной сети, для которой, таким образом, отсутствует база для обучения.

Все эти замечательные явления можно обнаружить лишь при скрупулёзном моделировании и анализе невообразимого объёма данных по экспериментам. Ситуацию также осложняет тот факт, что частицы, а по сути — это квантовые поля, подвержены эффекту интерференции. Вспомните о поведении множества кругов на воде во время дождя. Примерно в таких, но стократ более сложных условиях учёные ищут следы каждой «капли» и умудряются узнать о ней буквально всё — от массы до других физических характеристик. Если бы не явление квантовой интерференции, жизнь исследователей была бы проще. Но не в этой Вселенной…

Аспирант, которому поручили проработать один из вариантов распада протонов на W-бозоны, быстро понял, что он занимается чем-то не тем. Явление интерференции вносило настолько большую погрешность в анализ, что требовалось видеть всю картину целиком, а не работать над одним из её вариантов. Тогда начинающий учёный скормил данные нейронной сети, которая до этого не применялась к анализу подобных массивов данных — это Neural Simulation-Based Inference (NSBI) (по-русски, вывод на основе нейронного моделирования).

Нейронной сети NSBI было дано задание самостоятельно смоделировать явления в эксперименте на БАК и на основе моделей предсказать результаты измерений по бозону Хиггса. Тем самым, вместо попыток изучать по отдельности те или иные пути распада, новый метод учитывал все возможные пути и их интерференцию, что позволяло более точно анализировать данные.

К этому времени работой аспиранта заинтересовался руководитель проекта, и подключились другие специалисты коллаборации ATLAS. К декабрю 2024 года были подготовлены и опубликованы две научные статьи, прошедшие строгое рецензирование. Одна статья рассказала о методе, а вторая заново проанализировала старые данные ATLAS с помощью нейронной сети. Результат превзошёл ожидания. Нейронная сеть дала более точные характеристики бозона Хиггса, чем коллектив учёных.

«Одна из забавных особенностей этого метода, который Айшик так сильно продвигал, заключается в том, что каждый раз, когда мы делаем прогноз — вот насколько хорошо мы будем работать через 15 лет, — мы подчистую разбиваем эти прогнозы, — говорят исследователи. — Так что сейчас нам приходится переделывать набор прогнозов, потому что мы уже сегодня [с помощью нейронной сети] достигли наших старых прогнозов на 15 лет вперёд. Это очень забавная проблема».