عند البحث عن جسيمات أساسية جديدة ، كان على الفيزيائيين دائمًا التكهن بكيفية تصرف الجسيمات. لا تحتاج خوارزميات التعلم الآلي الجديدة إلى ذلك.
في تصادم وقع في مصادم هادرون الكبير في أبريل ، تم العثور على جسيمات مشحونة فردية (خطوط برتقالية) ونفاثات كبيرة من الجسيمات (المخاريط الصفراء).
مصادم الهادرون الكبير (LHC) يصطدم بمليارات الأزواج من البروتونات كل ثانية. في بعض الأحيان تمكنت هذه الآلة من تحريك الواقع قليلاً وإنشاء شيء غير مسبوق في هذه التصادمات. ولكن بما أن مثل هذه الأحداث ، بحكم تعريفها ، غير متوقعة ، فإن الفيزيائيين لا يعرفون بالضبط ما يحتاجون للبحث عنه. إنهم قلقون من أنه من خلال فحص البيانات حول المليارات من هذه التصادمات ، وبأخذ عينات من كمية أكثر جدوى ، قد يزيلون عن غير قصد أدلة على بعض الفيزياء الجديدة. يقول
كايل كرانمر ، أخصائي فيزياء الجسيمات في جامعة نيويورك ، والذي يعمل كجزء من تجربة ATLAS LHC: "نحن قلقون دائمًا من أنه يمكننا رش الطفل بالماء".
في مواجهة مهمة تقليل كمية البيانات بذكاء ، يحاول بعض الفيزيائيين استخدام تكنولوجيا التعلم الآلي مثل "الشبكات العصبية العميقة" لسحب بحر الأحداث المألوفة بحثًا عن ظواهر فيزيائية جديدة.
في حالة نموذجية لاستخدام هذه التكنولوجيا ، تتعلم الشبكة العصبية العميقة التمييز بين القطط من الكلاب من خلال دراسة كومة من الصور المسماة "قطة" وكومة أخرى تسمى "كلب". لكن هذا النهج لن ينجح في البحث عن جسيمات جديدة ، حيث لا يستطيع الفيزيائيون إطعام صور الآلة لشيء لم يروه من قبل. لذلك ، يتعين عليهم "التعلم مع القليل من الإشراف" ، عندما تبدأ الآلات في التعلم من الجسيمات المعروفة ثم تبحث عن أحداث نادرة بمعلومات أقل تفصيلاً - على سبيل المثال ، كم مرة يمكن أن تحدث مثل هذه الأحداث بشكل عام.
في ورقة نشرت في مايو على طبعات arxiv.org ، اقترح ثلاثة باحثين استراتيجية مماثلة لتوسيع صيد النتوء ، وهي تقنية كلاسيكية للبحث عن الجسيمات وجدت بوزون هيجز. تكتب الفكرة العامة ، كواحد من مؤلفي العمل ،
بن ناشمان ، الباحث في مختبر لورانس بيركلي الوطني ، لتدريب الآلة على البحث عن اختلافات نادرة في مجموعة البيانات.
فكر في أبسط مثال ، بروح القطط والكلاب المذكورة ، كمحاولة للعثور على أنواع حيوانية جديدة في مجموعة بيانات مليئة بملاحظات غابات أمريكا الشمالية. إذا افترضنا أن الحيوانات الجديدة سيتم تجميعها في مناطق جغرافية معينة (تتوافق هذه الفكرة مع حقيقة أن الجسيمات الجديدة يتم تجميعها حول كتلة معينة) ، يجب أن تكون الخوارزمية قادرة على تحديدها من خلال مقارنة منهجية للمناطق المجاورة. إذا كان هناك 113
كاريبو [الرنة في أمريكا الشمالية] في كولومبيا البريطانية ، و 19 في ولاية واشنطن (على الرغم من وجود الملايين من السناجب هناك وهناك) ، فإن البرنامج سيتعلم كيفية تمييز الوعل من السناجب دون دراستها مباشرة. قال
تيم كوهين ، أخصائي فيزياء الجسيمات النظرية في جامعة أوريغون ، الذي يدرس أيضًا ضعف المراقبة: "إنه ليس سحرًا ، لكنه يبدو كذلك".
بالنسبة لعمليات البحث التقليدية في فيزياء الجسيمات ، على عكس ما تم وصفه ، يجب على الباحثين وضع افتراضات حول كيفية ظهور ظاهرة جديدة. إنها تخلق نموذجًا لكيفية تصرف الجسيمات الجديدة - على سبيل المثال ، قد ينجذب جسيم جديد نحو التحلل إلى مجموعة معينة من الجسيمات المعروفة. وفقط بعد تحديد ما يبحثون عنه ، يمكنهم إنشاء استراتيجية بحث خاصة. عادةً ما يستغرق طالب الدراسات العليا عامًا من العمل للقيام بهذه المهمة ، لكن Nachman يعتقد أنه يمكن القيام بذلك بشكل أسرع وأكثر شمولاً.
خوارزمية CWoLa المقترحة ، والتي تعني "تصنيف بدون ملصقات" (KBM) ، قادرة على البحث في البيانات الموجودة عن أي جسيمات غير معروفة تتحلل إما إلى جزيئين غير معروفين أخف من النوع نفسه ، أو إلى جسيمين معروفين من نفس النوع أو أنواع مختلفة. باستخدام طرق البحث المعتادة ، كان الأمر سيستغرق
ما لا يقل عن 20 عامًا للفرق التي تعمل على المصادم LHC للتدقيق في جميع الاحتمالات المطابقة للخيار الثاني ، وبالنسبة للخيار الأول اليوم ، لا توجد استراتيجيات بحث على الإطلاق. يقول Nachman ، الذي يعمل في مشروع ATLAS ، أن KBM قادرة على القيام بكل عمليات البحث هذه دفعة واحدة.
يتفق خبراء آخرون في فيزياء الجسيمات التجريبية على أن اللعبة قد تستحق الشمعة. قالت
كيت باشال ،
عالمة فيزيائية تبحث عن اصطدام جسيمات جديدة في مشروع ATLAS: "لقد بحثنا بالفعل في أماكن مختلفة يمكن التنبؤ بها ، لذا من المهم جدًا أن نسير في الاتجاه الآخر
ونملأ الفراغات التي لم نبحث عنها بعد". لعب هو وزملاؤه بفكرة تطوير برنامج مرن يمكنه التعامل مع مجموعة واسعة من كتل الجسيمات ، ولكن لم يكن أي منهم مؤهلاً في التعلم الآلي. قالت: "أعتقد أن الوقت قد حان لتجربتها".
من المأمول أن تتمكن الشبكات العصبية من الكشف عن ارتباطات البيانات الأساسية غير المتاحة للنماذج الحالية. نجحت تقنيات التعلم الآلي الأخرى في تسريع فعالية بعض المهام على المصادم LHC ، على سبيل المثال ،
تحديد الطائرات التي تصدرها الكواركات المنخفضة. في هذا العمل ، كان من الواضح تمامًا أن الفيزيائيين يفتقدون بعض الإشارات. قال
دانيال ويتسن ، اختصاصي فيزياء الجسيمات في جامعة كاليفورنيا ، إيرفين: "لقد فقدوا بعض المعلومات ، وإذا دفعت 10 مليارات دولار للوحدة ، فيجب عدم تفويت أي معلومات".
ومع ذلك ، فإن مجال التعلم الآلي مليء
بالقصص التحذيرية حول البرامج التي اختلطت بين أيدي الدمبل (أو ما هو
أسوأ ). يشعر البعض في المصادم LHC بالقلق من أن جميع هذه المسارات القصيرة ستعكس عمل gremlins في الآلة نفسها ، والتي يحاول المجربون بعناية عدم ملاحظتها. "عندما وجدت الشذوذ ، لم يتضح على الفور - هل هو فيزياء جديدة ، أم أنه مجرد خطأ في الكاشف؟" يقول
Till Eifert ، فيزيائي يعمل في مشروع ATLAS.