يستخدم التعلم الآلي بشكل متزايد في فيزياء الجسيمات.

تنتج التجارب في مصادم الهادرون الكبير كل ثانية حوالي مليون غيغابايت من البيانات. حتى بعد التخفيض والضغط ، فإن البيانات التي تم الحصول عليها على المصادم LHC في ساعة واحدة فقط ، من حيث الحجم ، قابلة للمقارنة مع البيانات التي تلقاها Facebook للعام بأكمله.

لحسن الحظ ، لا يتعين على خبراء فيزياء الجسيمات التعامل مع هذه البيانات يدويًا. يعملون جنبًا إلى جنب مع نوع من تعلم الذكاء الاصطناعي لإجراء تحليل مستقل للبيانات باستخدام تقنية التعلم الآلي.

"مقارنة بخوارزميات الكمبيوتر التقليدية التي نطورها لإجراء نوع معين من التحليل ، فإننا نصنع خوارزمية التعلم الآلي بحيث تقرر نوع التحليل الذي يجب القيام به ، والذي يوفر لنا عددًا لا يحصى من ساعات العمل من التطوير والتحليل" ، كما يقول الفيزيائي ألكسندر رادوفيتش من كلية ويليام وماري ، يعمل في تجربة نوفا نيوترينو.

أوجز رادوفيك ومجموعة من الباحثين نطاق التطبيق الحالي والآفاق المستقبلية ل MO في فيزياء الجسيمات في ملخص نشر في Nature في أغسطس 2018.

غربلة البيانات الضخمة

لمعالجة الكم الهائل من البيانات التي تم الحصول عليها في التجارب الحديثة ، مثل تلك التي تذهب إلى المصادم LHC ، يستخدم الباحثون "مشغلات" - معدات خاصة تعمل مع البرنامج ، في الوقت الحقيقي لتحديد البيانات التي يجب تركها للتحليل وأيها للتخلص منها .

يقول مايك ويليامز من معهد ماساتشوستس للتكنولوجيا ، الذي يعمل لدى LHCb ، أحد مؤلفي LHCb ، إنه باستخدام كاشف LHCb في تجربة يمكنها إلقاء الضوء على سبب وجود مادة أكثر بكثير من المادة المضادة في الكون ، تتخذ خوارزميات MO 70٪ على الأقل من هذه القرارات. الملخص المذكور. "تلعب MO دورًا في جميع جوانب العمل تقريبًا مع البيانات في التجربة ، بدءًا من المحفزات وحتى تحليل البيانات المتبقية" ، كما يقول.

يُظهر التعلم الآلي تقدمًا كبيرًا في التحليل. تحتوي أجهزة كشف ATLAS و CMS الضخمة في المصادم LHC ، والتي تم بفضلها اكتشاف جسيم هيجز ، على ملايين أجهزة الاستشعار التي يجب جمع إشاراتها معًا للحصول على نتائج ذات معنى.

يقول مايكل كاغان من مختبر تسريع الطاقة الوطني التابع لوزارة الطاقة الأمريكية (SLAC) ، وهو كاشف ATLAS ، الذي ساهم في التقرير: "تشكل هذه الإشارات مساحة بيانات معقدة". "نحن بحاجة إلى فهم العلاقة بينهما من أجل استخلاص الاستنتاجات - على سبيل المثال ، أن أثرًا معينًا لجسيم في الكاشف يتركه إلكترون أو فوتون أو أي شيء آخر."

MO مفيد أيضًا للتجارب مع النيوترينوات. تدرس NOva ، التي تخدم Fermilab ، كيف تنتقل النيوترينوات من نوع إلى آخر عند السفر عبر الأرض. من المحتمل أن تكون تذبذبات النيوترينو هذه قادرة على الكشف عن وجود أنواع جديدة من النيوترينوات ، والتي ، وفقًا لبعض النظريات ، قد تتحول إلى جسيمات من المادة المظلمة. تبحث كاشفات NOva عن الجسيمات المشحونة التي تظهر عندما تصطدم النيوترينوات بالمادة الموجودة في الكاشف ، وتحددها خوارزميات MO.

من التعلم الآلي إلى التعلم العميق

غالبًا ما يُسمى التقدم الأخير في مجال MO التعلم العميق ، وهو يعد بتوسيع نطاق MO في فيزياء الجسيمات. عادة ما يعني GPs استخدام الشبكات العصبية: خوارزميات الكمبيوتر مع بنية مستوحاة من شبكة كثيفة كثيفة من الخلايا العصبية في الدماغ البشري.

تتعلم هذه الشبكات العصبية بشكل مستقل مهام معينة للتحليل من خلال التدريب ، عندما تعالج بيانات الاختبار ، على سبيل المثال ، من المحاكاة ، وتتلقى تعليقات حول جودة عملها.

قال المؤلف المشارك Kazuhiro Terao ، باحث SLAC الذي يعمل في تجربة MicroBooNE neutrino ، التي تدرس تذبذبات النيوترينو كجزء من برنامج Fermilab قصير المدى ، حتى وقت قريب ، كان نجاح الشبكات العصبية محدودًا لأنها كانت صعبة التدريب. ستكون التجربة جزءًا من تجربة Neutrino العميقة تحت الأرض في المستقبل. يقول: "حدت هذه الصعوبات من قدرتنا على العمل مع الشبكات العصبية البسيطة التي يبلغ عمقها طبقتين". "بفضل تقدم الخوارزميات ومعدات الحوسبة ، نعرف الآن الكثير عن كيفية إنشاء وتدريب شبكات عصبية أكثر قدرة بمئات أو آلاف الطبقات."

تحدث العديد من الإنجازات في الدفاع المدني بسبب التطور التجاري لعمالقة التكنولوجيا وانفجار البيانات التي تم إنشاؤها على مدى العقدين الماضيين. يقول رادوفيتش: "على سبيل المثال ، تستخدم NOva شبكة عصبية مشابهة لهندسة GoogleNet". "لقد أدى ذلك إلى تحسين التجربة إلى الحد الذي كان يمكن تحقيقه فقط من خلال زيادة جمع البيانات بنسبة 30٪."

تربة مثمرة للابتكار

أصبحت خوارزميات MoD أكثر تعقيدًا وضبطًا دقيقًا يومًا بعد يوم ، مما يفتح فرصًا غير مسبوقة لحل المشكلات في مجال فيزياء الجسيمات. يقول كاجان إن العديد من المهام الجديدة التي يمكن تطبيقها من أجلها تتعلق برؤية الكمبيوتر. "هذا مشابه للتعرف على الوجوه ، ولكن في فيزياء الجسيمات فقط تكون خصائص الصورة أكثر تجريدًا وتعقيدًا من الأذنين أو الأنف".

يمكن بسهولة تحويل البيانات من بعض التجارب ، مثل NOvA و MicroBooNE ، إلى صور حقيقية ، ويمكن استخدام الذكاء الاصطناعي على الفور لتحديد ميزاتها. من ناحية أخرى ، يجب أولاً إعادة بناء صور نتائج التجارب على المصادم LHC بناءً على مجموعة معقدة من البيانات التي تم الحصول عليها من ملايين أجهزة الاستشعار.

يقول Radovic: "ولكن حتى لو كانت البيانات لا تبدو كصور ، فلا يزال بإمكاننا تطبيق الأساليب من رؤية الكمبيوتر إذا قمنا بمعالجة البيانات بشكل صحيح".

أحد المجالات التي يمكن أن يكون فيها هذا النهج مفيدًا للغاية هو تحليل نفاثات الجسيمات الناشئة بكميات كبيرة على المصادم LHC. النفاثات هي نفاثات ضيقة من الجسيمات ، يصعب للغاية فصل آثارها عن بعضها البعض. يمكن أن تساعد تقنية رؤية الكمبيوتر في فهم هذه الطائرات.

تطبيق جديد آخر لـ GO هو محاكاة البيانات على فيزياء الجسيمات ، والتي تتنبأ ، على سبيل المثال ، بما سيحدث في تصادمات الجسيمات على LHC ، والتي يمكن مقارنتها بالبيانات الحقيقية. عادة ما تعمل هذه الأنواع من المحاكاة ببطء وتتطلب قوة معالجة كبيرة بشكل لا يصدق. يمكن للذكاء الاصطناعي إجراء مثل هذه المحاكاة بشكل أسرع بكثير ، والتي يمكن أن تصبح في نهاية المطاف مكملاً مفيدًا لطرق البحث التقليدية.

يقول كاغان: "قبل بضع سنوات ، لم يكن أحد يظن أنه يمكن تدريب الشبكات العصبية العميقة على" رؤية "البيانات بناءً على الضوضاء العشوائية". "على الرغم من أن هذا العمل لا يزال في مرحلة مبكرة للغاية ، إلا أنه يبدو واعدًا بالفعل ، ومن المرجح أن يساعد في حل مشكلات البيانات في المستقبل."

فوائد الشك الصحي

على الرغم من الاختراقات الواضحة ، غالبًا ما يواجه عشاق MO تشككًا من زملائهم ، على وجه الخصوص ، نظرًا لأن خوارزميات MO لمعظمها تعمل مثل "الصناديق السوداء" ، مما لا يعطي أي معلومات تقريبًا حول كيفية التوصل إلى استنتاج معين.

يقول ويليام: "إن الشكوك صحية للغاية". "إذا استخدمنا MO في المشغلات التي تسقط بعض البيانات ، مثل LHCb ، فإننا بحاجة إلى توخي الحذر الشديد بشأن هذه المشكلة ورفع المستوى العالي جدًا."

لذلك ، من أجل تعزيز وضع العناصر العضوية في فيزياء الجسيمات ، من الضروري محاولة تحسين فهم كيفية عمل الخوارزميات باستمرار ، وإجراء مقارنات متقاطعة مع البيانات الحقيقية ، إن أمكن.

يقول تيراو: "نحتاج باستمرار إلى محاولة فهم ما تقوم به خوارزمية الكمبيوتر وتقييم نتائجها". - هذا صحيح لأي خوارزمية ، وليس فقط MO. لذلك ، لا ينبغي أن يمنع التشكيك التقدم ".

يتيح التقدم السريع بالفعل لبعض الباحثين أن يحلموا بما قد يصبح ممكنًا في المستقبل القريب. "اليوم ، نستخدم في الغالب مذكرات البحث للبحث عن الميزات في بياناتنا التي يمكن أن تساعدنا في الإجابة عن بعض الأسئلة ،" يقول تيراو. "وفي غضون عشر سنوات تقريبًا ، قد تكون خوارزميات MO قادرة على طرح الأسئلة الخاصة بها بشكل مستقل وفهم أنها اكتشفت فيزياء جديدة."