Miło nam zakomunikować, że w czasopiśmie Physical Review D ukazała się praca pracowników Instytutu Fizyki Teoretycznej, pokazująca, że narzędzia sztucznej inteligencji mogą pomóc w modelowaniu oddziaływań neutrin z materią.

Autorzy zastosowali metodę transfer learning, czyli przenoszenia wiedzy zdobytej na jednym zbiorze danych do opisu innych, pokrewnych procesów fizycznych. W badaniu wykorzystano generatywne sieci neuronowe GAN, które najpierw trenowano na syntetycznych danych dotyczących rozpraszania neutrin na węglu, a następnie dostosowano do innych przypadków, w tym oddziaływań z argonem oraz antyneutrin.

Praca pokazuje, że takie podejście pozwala zachować najważniejsze cechy fizyczne analizowanych procesów i jednocześnie daje lepsze wyniki niż trenowanie modeli od początku. Co istotne, przewaga tej metody była widoczna także wtedy, gdy do dyspozycji były stosunkowo niewielkie zbiory danych treningowych. Otwiera to drogę do tworzenia szybszych i bardziej elastycznych symulatorów zjawisk neutrinowych, szczególnie ważnych tam, gdzie dane eksperymentalne są ograniczone. Wyniki te mają znaczenie dla współczesnej fizyki neutrin, ponieważ dokładność symulacji wpływa bezpośrednio na interpretację rezultatów eksperymentów.

Pełna informacja bibliograficzna: José L. Bonilla, Krzysztof M. Graczyk, Artur M. Ankowski, Rwik Dharmapal Banerjee, Beata E. Kowal, Hemant Prasad i Jan T. Sobczyk, “Transfer learning for neutrino scattering: Domain adaptation with generative adversarial networks”, Physical Review D 113(5), 2026, DOI: 10.1103/kwjj-wp1c.

Na ilustracji: Zrekonstruowane rozkłady niezmienniczej masy hadronowej 𝑊 dla energii neutrina 𝐸𝜈 = 1 GeV oraz dla inkluzywnego rozpraszania prądu naładowanego (CC) 𝜈𝜇 na argonie, wygenerowane przez nuwro oraz model GAN trenowany od podstaw i z wykorzystaniem uczenia transferowego (TL), dla optymalizacji z użyciem 10 000 (góra) oraz 100 000 (dół) zdarzeń (góra). Źródło: Phys. Rev. D 113, 053001