На всех основных этапах обработки экспериментальных данных, особенно на этапе реконструкция треков взаимодействующих частиц, в условиях современных экспериментов, проводимых на коллайдерах с высокой светимостью, таких, как HL-LHC и NICA, возникли или ожидаются большие проблемы с достижением результатов, удовлетворяющих новым требованиям по точности и скорости их получения.

Сложности для реализации традиционных методов обработки данных вызывает прежде всего весьма высокая, мегагерцовая частота взаимодействий, ведущая к росту на порядки интенсивности потока данных, подлежащих обработке, и вдобавок, к значительному перекрытию данных о событиях при их регистрации в трековых детекторах. Все эти обстоятельства, особенно заметные на ключевом этапе обработки, которым считается трекинг, и обозначены физиками, как «Кризис трекинга», показали, что традиционно применяемые алгоритмы трекинга, включая широко используемый метод на основе фильтра Калмана, демонстрируют недостаточную эффективность в условии высокой светимости.

Свой растущий потенциал при решении задач обработки экспериментальных данных демонстрируют новые подходы, основанные на применении глубоких нейронных сетей. Благодаря их высокой способности к распознаванию, эффективному распараллеливанию и масштабированию, они постепенно вытесняют традиционные алгоритмы в приложениях физики высоких энергий.

В докладе после краткого изложения основ теории искусственных нейросетей на примерах решения задач трекинга показана эволюция применения нейронных сетей от простых персептронов и нейросетей Хопфилда до глубоких нейросетей разных типов, — рекуррентных, графовых, трансформенных, квантовых с учетом специфики современных трековых детекторов, используемых в практике ОИЯИ, и условий регистрации поступающих с них данных.