Чтобы понять, из чего состояла Вселенная в первые мгновения своего существования, учёные сталкивают тяжёлые атомные ядра на скоростях, близких к скорости света. В результате на ничтожные доли секунды возникает кварк-глюонная плазма — невероятно горячая и плотная среда, в которой кварки и глюоны ещё не связаны в привычные нам частицы.

Именно такую материю исследовали на релятивистском коллайдере тяжёлых ионов RHIC в Брукхейвенской национальной лаборатории США.

Но наблюдать происходящее чрезвычайно трудно. Каждое столкновение порождает множество частиц. Среди них возникают так называемые джеты — узкие потоки высокоэнергетических частиц, изменения которых позволяют судить о свойствах плазмы. Их сигналы буквально теряются в огромном количестве других.

До сих пор для выделения джетов использовали математические методы оценки и вычитания фона. Однако фон постоянно меняется, а вместе с ним — точность измерений.

Группа учёных из Брукхейвенской лаборатории, Колумбийского университета и Университета Колорадо разработала генеративную модель ИИ, способную самостоятельно учиться разделять полезный сигнал и фон.

Особенность метода заключается в том, что алгоритму не нужны готовые примеры, где каждому смешанному сигналу заранее сопоставлен правильный ответ. Вместо этого модель обучается на отдельных наборах смоделированных данных и обнаруживает закономерности, позволяющие восстановить скрытую информацию.

В испытаниях на симуляциях детектора sPHENIX новый подход точнее традиционных методов определял положение, энергию и внутреннюю структуру джетов. Особенно заметным преимущество оказалось при работе с крупными потоками частиц, для которых влияние фона наиболее существенно.

Пока исследование проведено на моделируемых данных. Следующий этап — проверка алгоритма на реальных результатах эксперимента sPHENIX. За время работы детектор собрал почти 300 петабайт информации — объём, сопоставимый с десятками миллиардов фотографий со смартфона. Учёные рассчитывают, что новая технология окажется полезной и в других физических экспериментах, в том числе на Большом адронном коллайдере.

Но самое интересное здесь — изменение роли искусственного интеллекта в науке. Машина не заменяет физика и не открывает законы природы самостоятельно. Она помогает увидеть в экспериментальных данных то, что прежде оставалось скрытым за сложностью измерений.

И чем точнее мы научимся отделять сигнал от шума, тем больше сможем узнать о том времени, когда ещё не существовало ни звёзд, ни планет, ни самих атомов в привычном нам виде.