Al buscar nuevas partículas fundamentales, los físicos siempre han tenido que especular sobre cómo pueden comportarse las partículas. Los nuevos algoritmos de aprendizaje automático no necesitan esto.
En una colisión que ocurrió en el Gran Colisionador de Hadrones en abril, se encontraron partículas cargadas individuales (líneas naranjas) y grandes chorros de partículas (conos amarillos)
El Gran Colisionador de Hadrones (LHC) colisiona miles de millones de pares de protones cada segundo. A veces, esta máquina logra sacudir un poco la realidad y crear algo sin precedentes en estas colisiones. Pero dado que tales eventos son, por definición, inesperados, los físicos no saben exactamente qué deben buscar. Les preocupa que al examinar los datos sobre miles de millones de estas colisiones y al tomar muestras de una cantidad más factible, puedan eliminar inadvertidamente evidencia de alguna nueva física. "Siempre nos preocupa que podamos salpicar al bebé con agua", dice
Kyle Kranmer , un especialista en física de partículas en la Universidad de Nueva York que trabaja como parte del experimento ATLAS LHC.
Enfrentados a la tarea de reducir de manera inteligente la cantidad de datos, algunos físicos están tratando de usar tecnología de aprendizaje automático como "redes neuronales profundas" para arrastrar el mar de eventos familiares en busca de nuevos fenómenos físicos.
En un caso típico de uso de esta tecnología, la red neuronal profunda aprende a distinguir a los gatos de los perros al estudiar una pila de fotos etiquetadas como "gato" y otra pila etiquetada como "perro". Pero este enfoque no funcionará en la búsqueda de nuevas partículas, ya que los físicos no pueden alimentar las imágenes de la máquina de algo que nunca han visto. Por lo tanto, tienen que "aprender con poca supervisión", cuando las máquinas comienzan a aprender de partículas conocidas y luego buscan eventos raros con información menos detallada, por ejemplo, con qué frecuencia pueden ocurrir tales eventos en general.
En un artículo publicado en mayo sobre las preimpresiones de arxiv.org, tres investigadores propusieron una estrategia similar para expandir la búsqueda de golpes, una técnica clásica de búsqueda de partículas que encontró el bosón de Higgs. La idea general, como uno de los autores del trabajo, escribe
Ben Nachman , investigador del Laboratorio Nacional Lawrence Berkeley, de entrenar la máquina en busca de variaciones raras en el conjunto de datos.
Considere el ejemplo más simple, en el espíritu de los gatos y perros mencionados, como un intento de encontrar una nueva especie animal en un conjunto de datos lleno de observaciones de los bosques de América del Norte. Si suponemos que los nuevos animales se agruparán en ciertas áreas geográficas (esta idea corresponde al hecho de que las nuevas partículas se agrupan alrededor de una determinada masa), el algoritmo debería poder seleccionarlas mediante una comparación sistemática de regiones vecinas. Si hay 113
caribúes [renos en América del Norte] en Columbia Británica y 19 en el estado de Washington (a pesar de la presencia de millones de ardillas allí y allá), el programa aprenderá a distinguir el caribú de las ardillas sin estudiarlas directamente. "No es magia, pero lo parece", dijo
Tim Cohen , un especialista en física de partículas teórica de la Universidad de Oregón que también estudia vigilancia débil.
Para las búsquedas tradicionales en física de partículas, a diferencia de la descrita, los investigadores tienen que hacer suposiciones sobre cómo podría verse un nuevo fenómeno. Crean un modelo de cómo se comportarán las nuevas partículas; por ejemplo, una nueva partícula puede gravitar hacia la descomposición en un cierto conjunto de partículas conocidas. Y solo después de determinar lo que están buscando, pueden crear una estrategia de búsqueda especial. Un estudiante graduado generalmente toma un año de trabajo para realizar esta tarea, pero Nachman cree que podría hacerse más rápido y más a fondo.
El algoritmo CWoLa propuesto, que significa "clasificación sin etiquetas" (MSC), puede buscar en los datos existentes cualquier partícula desconocida que se descomponga en dos partículas desconocidas más ligeras del mismo tipo, o en dos partículas conocidas del mismo tipo o de tipos diferentes. Utilizando los métodos de búsqueda habituales, los equipos que trabajan en el LHC habrían tardado
al menos 20 años en examinar todas las posibilidades que coincidían con la segunda opción, y para la primera opción hoy en día no existen estrategias de búsqueda. Nachman, que trabaja en el proyecto ATLAS, dice que KBM puede hacer todas estas búsquedas de una vez.
Otros expertos en física de partículas experimentales coinciden en que el juego puede valer la pena. "Ya hemos buscado en diferentes lugares predecibles, por lo que es bastante importante para nosotros ir a otro lado y llenar los vacíos que aún no hemos buscado", dijo
Kate Pachal , una física que busca colisiones de nuevas partículas en el proyecto ATLAS. Él y sus colegas jugaron con la idea de desarrollar software flexible que pudiera hacer frente a una amplia gama de masas de partículas, pero ninguno de ellos estaba calificado en aprendizaje automático. "Creo que es hora de probarlo", dijo.
Se espera que las redes neuronales puedan detectar correlaciones de datos subyacentes que no están disponibles para los modelos actuales. Otras tecnologías de aprendizaje automático ya han acelerado con éxito la efectividad de ciertas tareas en el LHC, por ejemplo,
determinando los chorros emitidos por los quarks inferiores. En ese trabajo, quedó perfectamente claro que los físicos pierden algunas señales. "Les faltaba algo de información, y si pagaste $ 10 mil millones por la unidad, entonces no se debe perder ninguna información", dijo
Daniel Whitson , un especialista en física de partículas en la Universidad de California, Irvine.
Y, sin embargo, el campo del aprendizaje automático está lleno de
historias de
advertencia sobre programas que han mezclado las manos con pesas (o
peor ). Algunos en el LHC están preocupados de que todos estos caminos cortos reflejen el trabajo de los gremlins en la máquina en sí, que los experimentadores intentan tan cuidadosamente no notar. "Cuando se encuentra la anomalía, no está claro de inmediato: ¿se trata de una nueva física o simplemente hay algo mal con el detector?" Dice
Till Eifert , un físico que trabaja en el proyecto ATLAS.