177
Науковці на одному з основних детекторів Compact Muon Solenoid (CMS) на Великому адронному колайдері (LHC) запровадили нову систему машинного навчання. Вона створена на основі штучного інтелекту та слугуватиме для підвищення точності моніторингу якості даних.
Нова система дозволяє виявляти аномалії в реальному часі. Така технологія допомагає швидко знаходити й виправляти проблеми з детектором, забезпечуючи високу якість даних.
Повідомляється, що вчені прагнуть розкрити основні частинки та сили природи. Одним із головних викликів для експериментів на Великому адронному колайдері (LHC) є забезпечення якості великих обсягів зібраних даних.
Традиційна система моніторингу якості CMS базується на правилах, порогах і ручних перевірках для сповіщення команди про потенційні проблеми. Такий підхід може пропускати приховані або несподівані аномалії.
Водночас, нова система на основі машинного навчання може виявляти ці аномалії, доповнюючи традиційний моніторинг.
Вона навчена розпізнавати нормальну поведінку детектора і виявляти відхилення. Основою цього підходу є система виявлення аномалій на базі автоенкодера — спеціального типу нейронної мережі для неконтрольованого навчання.
Система обробляє дані електромагнітного калориметра CMS (ECAL) у вигляді 2D-зображень і може виявляти аномалії, які розвиваються з часом. Це важливо для виявлення малопомітних, але поступово виникаючих патернів.
Нова система підвищує ефективність роботи детектора CMS і може слугувати прикладом для реального часу виявлення аномалій у різних галузях, демонструючи потенціал штучного інтелекту.
Наприклад, галузі, що працюють з великими потоками даних, такі як фінанси, кібербезпека та охорона здоров’я, можуть використовувати подібні системи для підвищення ефективності та надійності.
