高等经济学院人工智能中心的研究人员近日取得重要突破，开发出一种新方法，可将新型神经网络的创建速度提升八倍。这些神经网络专为处理和分析粒子加速器各组件与系统的数据而设计。相关算法描述及潜在应用示例已发表于科学期刊《IEEE Access》上。
研究团队指出：“为快速构建机器学习和人工智能系统，需训练大量模型，理想状态是在保证高可靠性的同时，无需人工介入。为此，我们提出一种适用于各类机器学习的新方法，将寻找最优模型的时间大幅缩短。”该方法由莫斯科高等经济学院人工智能与数字科学研究所首席研究员费多尔·拉特尼科夫领衔的团队开发，旨在加速神经网络和经典机器学习系统的发展，以解决粒子物理学中的复杂问题，并处理来自对撞机组件的数据。
目前，类似算法已在大型强子对撞机实验中广泛应用，显著加快了原始数据处理速度。为确保这些算法的实际应用，科学家需确保人工智能系统在多次运行和重复训练后，仍能保持高度可靠性和稳定性。俄罗斯科学家开发的这种方法，能比随机选择更快地找到神经网络变体。其算法可自动比较数十种神经网络变体，选出最可靠、稳健的版本。每个模型都会经过多次训练，使用略微修改的数据和不同初始权重，系统则监测误差在对撞机探测器数据处理中的扩散情况。
为测试算法效果，拉特尼科夫团队准备了一个描述粒子加速器传感器的数据集，该传感器用于确定粒子能量和运动方向。计算结果显示，新算法能在41500次尝试内选出最优AI变体，比穷举搜索所需次数减少八倍，可显著加速粒子物理问题神经网络的开发进程。
