Искусственный интеллект пока не способен эффективно решать все задачи, возникающие при обработке научных данных. Одной из наиболее сложных остается реконструкция треков частиц в режиме реального времени. Об этом рассказал научный руководитель ЛИТ ОИЯИ Владимир Кореньков, выступая в ходе организованного в рамках дней ОИЯИ в Армении круглого стола на тему «ИИ в науке и индустрии: вызовы и возможности».

Речь идет о задаче, при которой по сигналам, зарегистрированным детектором, необходимо восстановить траектории частиц и определить параметры их движения. В современных экспериментах физики элементарных частиц это является одной из ключевых процедур обработки данных: трекеры фиксируют многочисленные сигналы при прохождении заряженных частиц, после чего вычислительные алгоритмы восстанавливают соответствующие траектории.

Реальное время остается главным ограничением

По словам Коренькова, именно необходимость распознавать треки в реальном времени существенно усложняет применение ИИ. Для решения этой задачи специалисты используют машинное и глубокое обучение, однако пока не могут добиться необходимой скорости работы системы в режиме реального времени.

Одним из решений, по его словам, становится разделение процесса на несколько этапов. Отдельной проблемой остается обучение нейронных сетей: модель приходится практически постоянно переобучать, поскольку сам процесс, с которым работают исследователи, Кореньков характеризует как недостаточно детерминированный и более сложный для стабильного воспроизведения.

Таким образом, ограничение связано не с отсутствием самих методов машинного обучения, а с необходимостью адаптировать их к изменяющимся условиям задачи и одновременно обеспечить требуемую скорость обработки.

Проблема имеет принципиальное значение для современной физики высоких энергий. Объемы данных, поступающих от экспериментальных установок, постоянно растут, а часть информации необходимо обрабатывать непосредственно во время эксперимента.

Анализ данных остается более предсказуемой задачей

По словам Коренькова, ситуация существенно проще в области анализа данных. Там процессы, по его оценке, являются более предсказуемыми, поэтому применяемые методы искусственного интеллекта уже работают значительно эффективнее.

При этом ЛИТ ОИЯИ не ограничивается использованием какого-либо одного алгоритма. Кореньков отметил применение гибридных подходов, при которых для решения одной задачи одновременно используются десятки различных методов. Специалисты комбинируют их, чтобы выявить наиболее эффективные элементы каждого подхода.

Кореньков считает, что возможности применения искусственного интеллекта будут расширяться по мере развития самих методов. Однако универсального решения для всех задач обработки данных пока нет.

По его словам, специалисты постепенно приближаются к решению наиболее сложных задач за счет развития алгоритмов и сочетания различных методов. При этом рост объемов данных сам по себе не является для вычислительной инфраструктуры непреодолимой проблемой: в перспективе речь идет уже о работе с эксабайтными масштабами данных.

Опыт ЛИТ ОИЯИ показывает двойственную ситуацию: искусственный интеллект становится все более важным инструментом научных вычислений, но его применение зависит от характера конкретной задачи. Там, где данные и процессы поддаются устойчивому моделированию, ИИ уже демонстрирует практическую эффективность. В задачах, требующих быстрой адаптации и обработки информации в реальном времени, сохраняются технологические ограничения.