Физики из Brookhaven National Laboratory, Columbia University и University of Colorado Boulder проверили нейросеть UVCGAN-S на симулированных данных детектора sPHENIX. В опубликованной 24 августа 2026 года статье в журнале Scientific Reports авторы сообщили, что модель точнее традиционных методов восстанавливала положение, энергию и внутреннюю структуру струй частиц. 13 ноября о работе сообщила Brookhaven. На реальных экспериментальных данных sPHENIX модель пока не проверяли.

При столкновении тяжёлых ионов струя высокоэнергичных частиц попадает в плотный и изменчивый фон из других частиц. Детектор регистрирует их вместе, поэтому отделить нужный сигнал непросто. Команда под руководством исследователей Brookhaven обучала сеть без ручной разметки и без парных примеров, где для каждого смешанного изображения заранее дано правильное разделение на сигнал и фон.

Что именно проверили

Для обучения использовали симулированные изображения калориметра sPHENIX: отдельно фон, изолированные струи и струи поверх фона. UVCGAN-S разделяла сигнал и фон, опираясь на принцип согласованности циклов: результат преобразования должен согласовываться с обратным преобразованием.

Точность оценивали не по внешнему виду изображений, а сравнением восстановленных характеристик с известными параметрами симуляции. В этих данных нейросеть лучше обычных методов вычитания фона восстанавливала положение струй, их энергию и внутреннюю структуру. Особенно заметным преимущество было для крупных струй, где сильнее колебания фона.

Затем исследователи проверили, справится ли модель с сигналом, отличным от того, на котором она училась. Сеть обучили на немодифицированных струях PYTHIA на фоне HIJING, а проверили на смоделированных струях JEWEL, изменённых взаимодействием со средой, также на фоне HIJING. По данным статьи, модель и в этом тесте восстанавливала характеристики струй близко к известным значениям симуляции.

Условно это похоже на попытку выделить предмет на фотографии, где его закрывают блики: системе показывают отдельные примеры предмета и помех, но не готовую разметку каждого смешанного снимка. Аналогия объясняет задачу обучения, а не описывает эксперимент физиков. В симуляции исследователи могли сравнить результат с заданными параметрами струи; в реальных данных такая проверка ещё впереди.

Для подготовки научной статьи важно так же ясно отделять выводы из моделирования от результатов проверки на реальных данных.

Следующий этап, который называют авторы, это применение модели к экспериментальным данным sPHENIX. По сообщению Brookhaven, детектор собрал почти 300 петабайт данных. Пока нельзя заключить, насколько хорошо метод сработает на этих измерениях: опубликованные результаты получены на симуляциях. Возможность использовать модель в других экспериментах, включая будущий коллайдер электронов и ионов и Большой адронный коллайдер, остаётся перспективой.

Схема показывает обучение UVCGAN-S на симулированных изображениях, сравнение восстановления струй с известными параметрами и будущую проверку на реальных данных sPHENIX.

Фото: Santhosh Kanthala / Pexels