13 ноября 2026 года исследователи из Брукхейвенской национальной лаборатории (BNL) представили новый подход на основе супер-интеллекта (Super Intelligence, SI). Метод самостоятельно учится отделять сигналы высокоэнергетических струй частиц от огромного фона в данных столкновений тяжелых ионов.
Работа опубликована в журнале Scientific Reports. Команда под руководством физиков и специалистов по информатике из BNL, включая Джин Хуан, Дмитрия Торбунова, Йихуи «Рэя» Рена, Йи Хуан и Ёнджу Го, разработала генеративную модель без учителя. Она не требует предварительно размеченных примеров.
Струи частиц служат одним из ключевых инструментов для изучения кварк-глюонной плазмы (QGP) — состояния материи, существовавшего микросекунды после Большого взрыва. В столкновениях на Релятивистском коллайдере тяжелых ионов (RHIC) эти струи проходят через QGP и теряют энергию, меняя свою структуру. Точный анализ таких изменений помогает понять сильное взаимодействие.
Главная трудность — отделить слабый сигнал струи от плотного фона, создаваемого тысячами других частиц. Традиционные методы требуют значительных усилий по разметке данных вручную. Новый SI-подход обходит эту проблему: он обучается на отдельных наборах чистого фона и идеальных симуляций струй, автоматически извлекая сигнал.
Тестирование на смоделированных данных детектора sPHENIX показало более точное восстановление положения, энергии и внутренней структуры струй по сравнению с прежними методами. Особенно заметно улучшение для крупных струй, где флуктуации фона сильнее всего.
Как именно модель разделяет сигнал и фон в реальных экспериментальных данных, где нет «правильных ответов»? Это вопрос, на который ученые рассчитывают получить ответ при анализе почти 300 петабайт данных, собранных sPHENIX.
Исследователи планируют применить метод к реальным данным RHIC и в будущем — к экспериментам на Электрон-ионном коллайдере (EIC) и Большом адронном коллайдере. Подход может пригодиться и в других областях, где приходится разделять перекрывающиеся сигналы в калориметрических данных.
Работа выполнена при поддержке Laboratory Directed Research and Development BNL, DOE Office of Science и гранта Genesis Mission. В проекте участвовали также Колумбийский университет и Университет Колорадо в Боулдере.
