ИСТИНА

От первых теоретических моделей построения искусственных нейронных сетей - до современных, основанных на трансформерах, архитектур нейронных сетей был проделан колоссальный путь в развитии методов искусственного интеллекта. С течением времени подобные методы машинного обучения все глубже проникают в набор повседневных инструментов исследователей в разных областях науки. Физика элементраных частиц не является исключением - на основе алгоритмов искусственного интеллекта уже можно строить генераторы данных, подавлять шумы и фоновые процессы, определять треки частиц и так далее. Исследователи физики элементарных частиц часто работают с большими объемами данных, которые позволяют эффективно строить подобные модели машинного обучения. В данной работе исследуются методы искусственного интеллекта в задаче предсказания дифференциальных сечений реакций в процессах рождения положительно заряженных пионов под действием электронов. При рассмотрении реакции рождения пиона был использован набор данных, на основе которого предсказывалось сечение реакции в различных областях фазового пространства для разных энергий пучка электронов. В представленной работе решалась задача регрессии и основным алгоритмом, разработанным для решения данной задачи, является глубокая полносвязная нейронная сеть, с архитектурой состоящей из 19 скрытых слоев, которая обучалась с функцией потерь, не включающей в себя каких-либо априорных теоретических знаний о процессе. Для обучения были взяты данные из эксперимента с детектора CLAS, которые хранятся в базе данных «CLAS Physics Database». Поскольку предсказаниями нейронной сети являются дифференциальные сечения, то это позволило нам проверить в фиксированных областях фазового пространства соответствующие сохраняющиеся зависимости, например, в силу ротационной инвариантности амплитуды, мы показываем то, что предсказания сети сохраняют зависимость дифференциального сечения от угла между плоскостью реакции и плоскостью рассеяния. Помимо этого нами были проведены сравнения предсказанных структурных функций, пересчитанных из предсказанных значений дифференциальных сечений, с экспериментальными данными. На основе данного алгоритма можно интерполировать и экстраполировать как значения сечений, так и значения структурных функций в различных областях фазового пространства.