Модель Ізінга допомагає відфільтрувати шум у детекторах частинок

18 жовтня 2026 р. 13:20

18 жовтня 2026 р. 13:20

У сучасних експериментах з фізики частинок більшість зареєстрованих подій виявляється не сигналом, а фоном. Наприклад, у глибоководному нейтринному телескопі на озері Байкал природне свічення води може давати до 90 % фотонів, а в колайдері NICA поблизу Москви електронний шум і взаємодії пучка з газом формують близько 55 % усіх спрацювань у трековому детекторі. Стандартні методи відсікання такого фону потребують дорогих обчислень, адже спершу намагаються відновити повні траєкторії частинок. Новий підхід, описаний у журналі The European Physical Journal C і представлений Іваном Харком, пропонує іншу стратегію: використати модель Ізінга з статистичної фізики як фільтр шуму.

Як розповідає видання Scienmag , дослідник з Інституту ядерних досліджень РАН та Московського фізико-технічного інституту розробив алгоритм, який він назвав «ізінгівським фільтром шуму». Це графовий метод, що переформульовує задачу розділення сигналу й шуму як мінімізацію енергетичного функціоналу, запозиченого з моделі Ізінга.

Як модель магнетизму перетворюється на фільтр даних

Класична модель Ізінга, запропонована Ернстом Ізінгом сто років тому, описує двійкові змінні (спіни) на вузлах графа, які взаємодіють попарно. За ферромагнітних зв’язків система прагне до станів, де спіни в межах областей вирівнюються. Харук використовує цю властивість для обробки даних детекторів.

У його алгоритмі кожне спрацювання детектора стає вузлом графа з координатами, часом і зарядом імпульсу. Пари спрацювань з’єднуються ребрами, вага яких відображає, наскільки фізично узгоджені ці два хіти з одним і тим самим джерелом. Корельовані сигнальні хіти підсилюють один одного і формують компактну «доміну» вирівняних спінів, тоді як некорельований шум опиняється ізольованим і переходить у стан «шум».

Ключова інновація — у тому, як задаються ці зв’язки. На відміну від нейромереж, які навчають ваги на даних, ізінгівський фільтр будує їх безпосередньо з фізичних законів. Це робить алгоритм прозорим: кожен параметр відповідає конкретному закону поширення сигналу.

Нейтринний телескоп Baikal-GVD: використання фізики Черенкова

Для Baikal-GVD — кубокілометрового нейтринного телескопа на глибині 1366 метрів у водах Байкалу — Харук задає взаємодію як зважену суму трьох фізичних «ядер».

• Перший внесок заохочує хіти, близькі один до одного в просторі й часі.
• Другий враховує, що релятивістський мюон рухається майже зі швидкістю світла, тож хіти вздовж його треку мають суворе співвідношення час–відстань.
• Третій описує поширення черенковського випромінювання у воді зі швидкістю приблизно c/1,35 — характерний підпис як каскадних, так і трекових нейтринних подій.

Виміряний заряд імпульсу входить як локальне поле, що зміщує хіти з великою амплітудою в бік класу «сигнал». Водночас глобальний поріг відіграє роль зовнішнього магнітного поля, яке тягне спіни до стану «шум».

Динаміка алгоритму навмисно спрощена. Усі спіни спочатку встановлюються в стан «сигнал». На кожному синхронному кроці хіт зберігається, лише якщо сумарна підтримка від сусідів і власного заряду перевищує поріг; інакше він «перевертається» в шум. Зазвичай достатньо 2–5 ітерацій, щоб система досягла локального мінімуму енергії.

Харук перевірив кілька правил оновлення — жадібне, поодиноке та синхронне — і виявив однакову точність і повноту в межах статистичних похибок. Це означає, що алгоритм можна звести до кількох операцій множення матриці на вектор і повністю векторизувати на сучасному «залізі».

Фільтр працює при нульовій «температурі», без імітаційного відпалу. Глобальний мінімум енергії відповідає тривіальному стану «все шум», тому будь-яка скінченна температура відтягувала б систему від фізично змістовної метастабільної конфігурації, де міститься сигнал.

На моделюванні Монте-Карло від колаборації Baikal-GVD фільтр досягає 97 % повноти для астрофізичних нейтрино при 89 % ефективності відбору подій за стандартних критеріїв (не менше восьми сигнальних хітів щонайменше на двох нитках). За такого режиму точність відсікання шуму відповідає нинішньому алгоритму scan-fit, який перебирає напрямки мюона в пошуках максимальної «кліки» причинно узгоджених хітів, але стає надто повільним для подій з понад 150 хітами.

Порівняно з раніше розробленою для цієї задачі нейромережею типу U-Net, що досягає 99 % точності та 96 % повноти, ізінгівський фільтр забезпечує подібну повноту з дещо нижчою точністю, зате потребує на порядки менше обчислень з плаваючою комою. Це робить його придатним для онлайн-фільтрації в умовах обмежених ресурсів.

Трековий детектор SPD на NICA: геометрія замість часу

Другий тестовий майданчик — соленоїдний трековий детектор SPD (Spin Physics Detector) у колайдері NICA, що будується в Дубні. Тут немає субнаносекундної часової роздільної здатності, тож фільтр спирається лише на геометрію.

Трекер складається з 30 концентричних циліндричних шарів соломинкових трубок діаметром 10 мм у магнітному полі 1 тесла. Заряджені частинки рухаються по гвинтоподібних траєкторіях, кривизна яких визначається їхнім поперечним імпульсом. Харук вводить три геометричні ядра:

• тривимірну просторову близькість хітів на сусідніх шарах;
• близькість у поперечній площині для відновлення чутливості до треків з великою псевдодорівністю, де домінує зміщення вздовж осі z;
• умову радіально-хордового вирівнювання, що штрафує тангенціальні пари хітів, використовуючи те, що послідовні хіти одного треку мають майже однаковий азимутальний кут.

На тестовому наборі Монте-Карло з 500 подій із середньо п’ятьма первинними треками в кожній і 2 % заповнення каналів фільтр досягає 96,7 % точності і 97,4 % повноти (F1-міра 0,97). За більш реалістичних умов з п’ятьма накладеними зіткненнями в одному кадрі точність знижується до 92,5 %, а повнота — до 96,3 %.

Як попередній етап перед розширеним фільтром Кальмана для трек-фіту, ізінгівський фільтр обробляє один кадр приблизно за 60 мс, скорочує загальний час трек-фітування удвічі, зменшує кількість фейкових треків приблизно вшестеро — з близько 38 до 6 на кадр — і майже не впливає на ефективність відстеження, водночас підвищуючи середню «чистоту» хітів з 84 до 87 %.

Фізично обґрунтовані нейромережі для пошуку треків

Ті самі ідеї поширюються й на етап власне пошуку треків. Мережа Петерсона–Гопфілда — різновид нейронної мережі Гопфілда, що працює з орієнтованими парами хітів (дублетами) — збуджувально з’єднує послідовні дублети й штрафує дублети, які ділять один хіт, але не є послідовними.

Харук замінює стандартне геометрично «сліпе» косинус-кутове зчеплення двома обмеженнями, виведеними з геометрії гвинтоподібних треків: терміном поперечного кута згину (для трійок хітів одного треку він у середньому становить 0,17 рад проти 0,86 рад для фейкових) і умовою узгодженості нахилу по z, яка точно дорівнює нулю для ідеальної гвинтової траєкторії незалежно від псевдодорівності.

У поєднанні з попереднім ізінгівським фільтруванням це підвищує оцінку TrackML з 0,5 для стандартної мережі на нефільтрованих хітах до 0,91, одночасно прискорюючи виконання приблизно в 2,5 раза.

Портативність і стійкість до «зсуву домену»

Поза двома продемонстрованими кейсами головна привабливість методу — його переносимість. Щоб адаптувати фільтр до нового експерименту, потрібні лише модель домінуючого процесу поширення сигналу та реалістичне моделювання Монте-Карло для налаштування кількох гіперпараметрів.

Ядра для черенковського випромінювання, розроблені для Baikal-GVD, можна напряму застосувати в детекторах IceCube, KM3NeT та запланованому розширенні Baikal-HUNT. Геометричні ядра для гвинтових треків підходять будь-якому соленоїдному трекеру, зокрема соломинковому трекеру експерименту NA62 у CERN.

Оскільки кожен параметр фільтра відповідає конкретному фізичному закону, а не «вивченій» вазі, метод менше страждає від зсуву домену, який часто псує роботу нейромереж, навчених на симуляціях, коли вони стикаються з реальними даними — від старіння фотодетекторів до сезонних змін фону. В епоху, коли експерименти потопають у даних, столітня модель магнетизму може виявитися одним із найекономніших способів утримати корисний сигнал на плаву.

Наука