Чистота ударов: чувствительность нейтринного телескопа улучшат нейросети
Российские ученые разработали нейросетевые алгоритмы, которые помогут специалистам улучшить разрешающую способность телескопа Baikal-GVD — обсерватории мирового уровня, предназначенной для изучения нейтрино — элементарных частиц, прилетающих из космоса. Внедрение разработки позволит получить новые сведения о космических объектах — источниках нейтрино. Нейросети опробованы на моделях, но, по мнению экспертов, главные сложности возникают при обучении искусственного интеллекта на реальных данных. В дальнейшем программы будут адаптированы и для других исследовательских установок.
Что такое нейтрино высоких энергий
Ученые из Института ядерных исследований РАН, Объединенного института ядерных исследований и Московского физико-технического института разработали алгоритмы, которые позволят в разы улучшить чувствительность и разрешающую способность Байкальского нейтринного телескопа Baikal-GVD — исследовательского комплекса класса мегасайенс, предназначенного для детектирования нейтрино.
Как объяснили специалисты, детектирование нейтрино — одно из важных направлений современной астрофизики. Они не несут электрического заряда и обладают чрезвычайно низкой, околонулевой массой. Поэтому путешествуют по Вселенной со скоростью, близкой к скорости света, практически свободно проникая сквозь любую материю.
Байкальский нейтринный телескоп Baikal-GVD строится силами международной коллаборации с ведущей ролью Института ядерных исследований РАН (г. Москва) и Объединенного института ядерных исследований (г. Дубна). ИЯИ РАН — основоположник эксперимента и, в целом, направления «нейтринная астрономия высоких энергий» в мире.
— Особый интерес представляют нейтрино сверхвысоких энергий. Они образуются в таких объектах, как активные ядра галактик (черные дыры в центрах галактик. — «Известия») или сливающиеся нейтронные звезды. Изучая эти частицы, ученые получают значимую информацию и об их источниках, и о процессах, которые в них происходят, — пояснил «Известиям» один из создателей нового программного комплекса, научный сотрудник лаборатории обработки больших данных в физике частиц и астрофизике ИЯИ РАН преподаватель МФТИ Иван Харук.
Он пояснил, что в процессе исследования были разработаны алгоритмы машинного обучения, которые помогают анализировать события, регистрируемые детекторами нейтринного телескопа. Предложенные программы охватывают все этапы — от очистки данных от шумов до реконструкции энергии нейтрино. Также они позволяют изучать низкоэнергетические нейтрино, которые сейчас остаются за пределами чувствительности телескопа.
Как ученые ловят космические частицы
По словам ученого, принцип действия телескопа основан на том, что нейтрино могут провзаимодействовать с молекулами воды, образуя заряженные частицы. Часть из них получает скорость больше скорости света в воде, из-за чего возникает голубоватое свечение, которое называют черенковским излучением. Рожденные при этом фотоны регистрируются детекторами, размещенными в оптических модулях. Эти сигналы помогают определить угол прилета нейтрино и их энергию — данные, по которым ученые реконструируют местонахождение и свойства выпустивших их космологических объектов.
Как рассказал астрофизик, в своей работе специалисты сосредоточились на решении ряда задач. Во-первых, посредством нейросетевых программ они разделяют сигналы, которые обусловлены черенковским излучением, и те, которые спровоцированы естественной люминесценцией воды. Подобное свечение среды составляет до 90% от собранных данных.
Во-вторых, благодаря нейросетям ученые отсеивают события, которые вызваны широкими атмосферными ливнями — явлениями, при которых космические частицы сталкиваются с атомами воздуха и образуют каскад новых частиц. По статистике на каждое нейтринное событие приходится от 1 млн до 10 млн сигналов, индуцированных такими ливнями.
— Следующая цель, которую ставят перед собой ученые, — оценить поток и энергетический спектр нейтрино, который видит Baikal-GVD. После чего специалисты предполагают изучить энергию и источники наиболее интересных событий. В перспективе эти исследования позволят построить наиболее точную и полную карту нейтринных источников южного небосвода, на который направлен взгляд телескопа, — отметил Иван Харук.
В дальнейшем разработанные решения можно будет адаптировать для других исследовательских установок, предположил ученый. К примеру, таких как TAIGA. Это передовой комплекс для изучения космических лучей и гамма-астрономии, расположенный южнее Байкала.
Как отметил доцент НИЯУ МИФИ, старший научный сотрудник «Экспериментального комплекса НЕВОД» Егор Задеба, разработки ученых ИЯИ РАН — это первая попытка применения графовых нейронных сетей для Baikal-GVD.
На этапе моделирования результаты получены хорошие, но наибольшие трудности возникнут при переходе к исследованиям на реальных данных. Сложно точно подобрать исходные данные о параметрах нейтрино для обучения нейросети, а также добиться точного соответствия моделирования эксперименту, пояснил эксперт.
— Проблема Baikal-GVD в том, что много срабатываний детекторов не связаны с прилетом нейтрино. Сами искомые частицы регистрируют очень редко. В результате процесс напоминает поиск иголки в тысяче стогов сена. При этом для обучения нейросети требуется много примеров, которые взять просто неоткуда, — прокомментировал ведущий научный сотрудник отдела радиоастрофизики Института Солнечно-земной физики СО РАН Сергей Анфиногентов.
В свою очередь старший преподаватель кафедры инженерной кибернетики НИТУ МИСИС Эмин Тагиев выразил мнение, что нейросети умеют учитывать нелинейные зависимости. Поэтому хорошо подходят для более гибкой настройки параметров. Это позволит улучшить качество распознавания целевых сигналов, а значит, может повысить статистику детектирования нейтрино.
— Специалисты в области физики элементарных частиц — одни из первых, кто начал применять методы статистики и методы машинного обучения в обработке больших массивов. Причем еще до того, как это стало мейнстримом, — отметил начальник управления перспективных технологий Al Сбербанка и научный консультант Института искусственного интеллекта AIRI Семен Будённый.
Вместе с тем он отметил, что один из главных трендов в науке сегодня — это развитие физико-информированных нейронных сетей. Они подразумевают применение законов физики в процессе машинного обучения.
