Применение машинного обучения к тайнам вселенной: Ученые учат машины анализировать моделирования экзотического субатомного ‘супа’

И теперь, физики в Национальной лаборатории Лоуренса Беркли Министерства энергетики (Berkeley Lab) и их сотрудники продемонстрировали, что компьютеры готовы заняться самыми большими тайнами вселенной. Команда накормила тысячи изображений от моделируемых высокоэнергетических столкновений частицы, чтобы обучить компьютерные сети определять важные особенности.Исследователи запрограммировали сильные множества, которые, как известно как нейронные сети, служили своего рода подобным улью цифровым мозгом в анализе и интерпретации изображений моделируемых обломков частицы, перенесенных от столкновений.

Во время этого испытания исследователи нашли, что у нейронных сетей было до 95-процентного показателя успешности в признании важных особенностей в выборке приблизительно 18 000 изображений.Исследование было опубликовано 15 января в журнале Nature Communications.Следующий шаг должен будет применить тот же самый процесс машинного обучения к фактическим экспериментальным данным.Сильные алгоритмы машинного обучения позволяют этим сетям улучшаться в их анализе, поскольку они обрабатывают больше изображений.

Основная технология используется в распознавании лиц и других типах основанных на изображении приложений распознавания объектов.Изображения использовали в этом исследовании – относящийся к коллайдеру частицы, ядерные эксперименты физики в Релятивистском Тяжелом Коллайдере Иона Национальной лаборатории Брукхевена и Большом Коллайдере Адрона CERN – воссоздают условия субатомной частицы «суп», который является супергорячим жидким государством, известным как плазма глюона кварка, которая, как полагают, существовала просто спустя миллионные части секунды после рождения вселенной. Физики Berkeley Lab участвуют в экспериментах на обоих из этих мест.«Мы пытаемся узнать о самых важных свойствах плазмы глюона кварка», сказал Синь-Нянь Ван, ядерный физик в Ядерном Научном Подразделении в Berkeley Lab, который является членом команды.

Некоторые из этих свойств столь недолгие и происходят в таких крошечных весах, что они остаются окутанными тайной.В экспериментах ядерные физики используют коллайдеры частицы, чтобы разбить вместе тяжелые ядра, как золотые или ведущие атомы, которые лишены электронов.

Эти столкновения, как полагают, освобождают частицы в ядрах атомов, формируя мимолетную, шаровую молнию субатомного масштаба, которая ломает даже протоны и нейтроны в свободно плавающую форму их, как правило, связанных стандартных блоков: кварк и глюоны.Исследователи надеются, что, изучая точные условия, при которых эта плазма глюона кварка формируется, такой как, сколько энергии упаковано в, и ее температура и давление, поскольку это переходит в жидкое государство, они получат новое понимание о его составляющих частицах вопроса и их свойств, и о стадиях формирования вселенной.Но требуя измерения этих свойств – так называемое «уравнение состояния», включенное как вопрос, изменяется от одной фазы до другого в этих столкновениях – оказались сложными.

Начальные условия в экспериментах могут влиять на результат, таким образом, это сложно, чтобы извлечь измерения уравнения состояния, которые независимы от этих условий.«В ядерном сообществе физики Святой Грааль должен видеть переходы фазы в этих высокоэнергетических взаимодействиях, и затем определить уравнение состояния от экспериментальных данных», сказал Ван. «Это – самое важное свойство плазмы глюона кварка, которую мы должны все же узнать из экспериментов».

Исследователи также ищут понимание о фундаментальных силах, которые управляют взаимодействиями между кварком и глюонами, что физики называют квантовой хромодинамикой.Лонганг Пан, ведущий автор последнего исследования и Беркли аффилированный Лабораторией постдокторский исследователь в УКЕ Беркли, сказали, что в 2016, в то время как он был постдокторантом во Франкфуртском Институте Специальных исследований, он заинтересовался потенциалом для искусственного интеллекта (AI), чтобы помочь решить сложные научные проблемы.Он видел, что одна форма AI, известного как глубокая сверточная нейронная сеть – с архитектурой, вдохновленной обращающимися с изображением процессами в мозгах животных – казалось, была подходящим вариантом для анализа связанных с наукой изображений.

«Эти сети могут признать образцы и оценить должности в совете директоров и отобранные движения в игре Движения», сказал Пан. «Мы думали, ‘Если у нас есть некоторая визуальная научная информация, возможно мы можем получить абстрактное понятие или ценную физическую информацию от этого’».Ван добавил, «С этим типом машинного обучения, мы пытаемся определить определенный образец или корреляцию образцов, которая является уникальной подписью уравнения состояния». Таким образом, после обучения, сеть может точно определить самостоятельно части и корреляции по изображению, если кто-либо существует, которые наиболее относятся к трудным ученым, пытаются решить.

Накопление данных, необходимых для анализа, может быть очень в вычислительном отношении интенсивным, Пан сказал, и в некоторых случаях это взяло о целом дне вычислительного времени, чтобы создать всего одно изображение. Когда исследователи использовали множество GPUs, которые работают параллельно – GPUs – единицы обработки графики, которые были сначала созданы, чтобы увеличить эффекты видеоигры и с тех пор взорвались во множество использования – они сокращают то время приблизительно к 20 минутам за изображение.Они использовали вычислительные ресурсы при Национальном энергетическом Исследовании Berkeley Lab Научный Вычислительный центр (NERSC) в их исследовании с большей частью вычислительной работы, сосредоточенной в группах GPU в GSI в Германии и Центральном китайском Нормальном Университете в Китае.

Выгода использования сложных нейронных сетей, исследователи отметили, то, что они могут определить особенности, которые даже не разыскивались в начальном эксперименте, как нахождение иголки в стоге сена, когда Вы даже не искали его. И они могут извлечь полезные детали даже из нечетких изображений.

«Даже если Вы имеете с низким разрешением, Вы можете все еще получить некоторую важную информацию», сказал Пан.Обсуждения идут уже полным ходом, чтобы применить инструменты машинного обучения к данным из фактических экспериментов столкновения тяжелого иона, и моделируемые результаты должны быть полезными в учебных нейронных сетях, чтобы интерпретировать реальные данные.

«Будет много заявлений на это в высокоэнергетической физике элементарных частиц», сказал Ван вне экспериментов коллайдера частицы.


FBCONSTANTA.RU