ИСТИНА

С каждым годом методы искусственного интеллекта и нейронные сети, в частности, становятся все более мощным инструментом для изучения различных областей науки. Физика элементраных частиц не является исключением. На основе алгоритмов искусственного интеллекта уже можно строить генераторы данных [1], подавлять шумы и фоновые процессы в данных, определять треки частиц [2] и так далее. Исследователи физики элементарных частиц работают с детекторами и, следовательно, с большими объемами данных, которые позволяют эффективно строить модели машинного обучения. Разнообразие типов детекторов позволяет идентифицировать типы частиц, их импульсы и энергии, что впоследствии позволяет извлечь сечение рассеяния реакции. Сечение реакции является основной величиной, которой оперируют физики, занимающиеся исследованием столкновений объектов в микромире. Именно сечения реакций определяют вероятность протекания реакций. 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: e-+ p → e-+ n + + → e-+ n + ν+ + был сформирован набор данных, на основе которого предсказывалось сечение реакции в различных областях фазового пространства для разных энергий пучка электронов. Обучаемым алгоритмом является полносвязная нейронная сеть с восьмью скрытыми слоями, который обучался с функцией потерь, не включающей в себя каких-либо теоретических знаний о процессе. Помимо стандартных процедур валидации для задачи регрессии в данной работе также представлены физически обоснованные сравнения неполяризованных структурных функций реакции, которые рассчитываются из предсказанных значений сечения. На основе данного алгоритма можно интерполировать и экстраполировать как значения сечений, так и значения структурных функций в различных областях фазового пространства, что представляет большую ценность в исследовании природы сильного взаимодействия. Литература T. Alghamdi, Y. Alanazi, M. Battaglieri, Ł. Bibrzycki, A. V. Golda, A. N. Hiller Blin, E. L. Isupov, Y. Li, L. Marsicano, W. Melnitchouk, V. I. Mokeev, G. Montaña, A. Pilloni, N. Sato, A. P. Szczepaniak, and T. Vittorini (2023). Toward a generative modeling analysis of CLAS exclusive 2π photoproduction. Phys. Rev. D 108, 094030 P. Thomadakis, A. Angelopoulos, G. Gavalian, N. Chrisochoides (2022). Using Machine Learning for Particle Track Identification in the CLAS12 Detector. Computer Physics Communications 276, 152