L'apprentissage automatique est de plus en plus utilisé en physique des particules.

Les expériences au Grand collisionneur de hadrons produisent chaque seconde environ un million de gigaoctets de données. Même après réduction et compression, les données obtenues sur le LHC en une heure, en volume, sont comparables aux données reçues par Facebook pour toute l'année.

Heureusement, les experts en physique des particules n'ont pas à traiter ces données manuellement. Ils travaillent conjointement avec une sorte d'apprentissage de l'intelligence artificielle pour effectuer une analyse de données indépendante à l'aide de la technologie d'apprentissage automatique.

«Par rapport aux algorithmes informatiques traditionnels que nous développons pour effectuer un certain type d'analyse, nous créons l'algorithme d'apprentissage automatique afin qu'il décide du type d'analyse à effectuer, ce qui nous permet d'économiser un nombre incalculable d'heures-homme de développement et d'analyse», explique le physicien Alexander Radovich du Collège de William et Mary, travaillant dans l'expérience des neutrinos de Nova.

Radovic et un groupe de chercheurs ont décrit la portée de l'application actuelle et les perspectives futures de MO en physique des particules dans un résumé publié dans Nature en août 2018.

Tamiser les Big Data

Pour traiter l'énorme quantité de données obtenues dans des expériences modernes, telles que celles qui vont au LHC, les chercheurs utilisent des «déclencheurs» - un équipement spécial qui fonctionne avec le logiciel, en décidant en temps réel quelles données laisser pour analyse et lesquelles éliminer. .

En utilisant un détecteur LHCb dans une expérience qui peut expliquer pourquoi il y a tellement plus de matière que d'antimatière dans l'Univers, les algorithmes MO prennent au moins 70% de ces décisions, explique Mike Williams du Massachusetts Institute of Technology, travaillant pour LHCb, l'un des auteurs résumé mentionné. "MO joue un rôle dans presque tous les aspects du travail avec les données dans une expérience, des déclencheurs à l'analyse des données restantes", dit-il.

L'apprentissage automatique montre des avancées significatives dans l'analyse. Les énormes détecteurs ATLAS et CMS du LHC, grâce auxquels la particule de Higgs a été découverte, disposent de millions de capteurs dont les signaux doivent être rassemblés pour obtenir des résultats significatifs.

«Ces signaux constituent un espace de données complexe», explique Michael Kagan du National Energy Accelerator Laboratory (SLAC) du département américain de l'Énergie, un détecteur ATLAS, qui a contribué au rapport. "Nous devons comprendre la relation entre eux afin de tirer des conclusions - par exemple, qu'une certaine trace d'une particule dans un détecteur est laissée par un électron, un photon ou autre chose."

MO est également bénéfique pour les expériences avec des neutrinos. NOva, qui dessert le Fermilab , étudie comment les neutrinos se transfèrent d'une espèce à une autre lorsqu'ils voyagent à travers la Terre. Ces oscillations de neutrinos sont potentiellement capables de révéler l'existence de nouveaux types de neutrinos qui, selon certaines théories, pourraient se révéler être des particules de matière noire. Les détecteurs NOva recherchent les particules chargées qui apparaissent lorsque les neutrinos entrent en collision avec le matériau dans le détecteur, et les algorithmes MO les déterminent.

De l'apprentissage automatique au deep learning

Les progrès récents dans le domaine de la MO sont souvent appelés apprentissage en profondeur et promettent d'élargir encore la portée de la MO en physique des particules. Les GP signifient généralement l'utilisation de réseaux de neurones: des algorithmes informatiques avec une architecture inspirée d'un réseau dense et dense de neurones du cerveau humain.

Ces réseaux de neurones apprennent de manière indépendante certaines tâches d'analyse par le biais de la formation, lorsqu'ils traitent des données de test, par exemple, à partir de simulations, et reçoivent un retour sur la qualité de leur travail.

Jusqu'à récemment, le succès des réseaux de neurones était limité car ils étaient très difficiles à former, a déclaré le co-auteur Kazuhiro Terao, un chercheur du SLAC travaillant dans l'expérience des neutrinos MicroBooNE, qui étudie les oscillations des neutrinos dans le cadre du programme à court terme du Fermilab. L'expérience fera partie d'une future expérience de neutrinos profonds souterrains . «Ces difficultés ont limité notre capacité à travailler avec des réseaux neuronaux simples à deux niveaux de profondeur», dit-il. «Grâce aux progrès des algorithmes et des équipements informatiques, nous en savons désormais beaucoup plus sur la façon de créer et de former des réseaux de neurones plus performants avec des centaines ou des milliers de couches.»

De nombreuses percées dans le domaine de la protection civile sont dues au développement commercial des géants de la technologie et à l'explosion des données qu'ils ont créées au cours des deux dernières décennies. «Par exemple, NOva utilise un réseau de neurones similaire à l'architecture de GoogleNet», explique Radovic. "Cela a amélioré l'expérience dans la mesure où cela n'aurait pu être réalisé qu'en augmentant la collecte de données de 30%."

Un terreau fertile pour l'innovation

Les algorithmes MoD deviennent de plus en plus complexes et finement ajustés de jour en jour, ouvrant des opportunités sans précédent pour résoudre des problèmes dans le domaine de la physique des particules. Un grand nombre des nouvelles tâches pour lesquelles elles peuvent être appliquées sont liées à la vision par ordinateur, dit Kagan. "Ceci est similaire à la reconnaissance faciale, mais ce n'est qu'en physique des particules que les propriétés de l'image sont plus abstraites et complexes que les oreilles ou le nez."

Les données de certaines expériences, telles que NOvA et MicroBooNE, peuvent très facilement être transformées en images réelles, et l'IA peut immédiatement être utilisée pour déterminer leurs caractéristiques. D'un autre côté, les images des résultats des expériences sur le LHC doivent d'abord être reconstruites sur la base d'un ensemble complexe de données obtenues à partir de millions de capteurs.

«Mais même si les données ne ressemblent pas à des images, nous pouvons toujours appliquer des méthodes de vision par ordinateur si nous traitons les données correctement», explique Radovic.

L'un des domaines dans lesquels cette approche peut être très utile est l'analyse des jets de particules se produisant en grande quantité sur le LHC. Les jets sont des jets de particules étroits, dont les traces sont extrêmement difficiles à séparer les unes des autres. La technologie de vision par ordinateur peut aider à comprendre ces jets.

Une autre nouvelle application de GO est la simulation de données sur la physique des particules, qui prédit, par exemple, ce qui se passera dans les collisions de particules sur le LHC, qui peut être comparé à des données réelles. Ces types de simulations s'exécutent généralement lentement et nécessitent une puissance de traitement incroyablement élevée. L'IA pourrait effectuer de telles simulations beaucoup plus rapidement, ce qui pourrait finalement devenir un complément utile aux méthodes de recherche traditionnelles.

«Il y a quelques années à peine, personne n'aurait pu penser que les réseaux de neurones profonds pouvaient être entraînés à« voir »les données basées sur le bruit aléatoire», explique Kagan. "Bien que ce travail en soit encore à ses débuts, il semble déjà très prometteur et devrait aider à résoudre les problèmes de données à l'avenir."

Les bienfaits d'un scepticisme sain

Malgré les percées évidentes, les amateurs de MO rencontrent souvent le scepticisme de leurs collègues, en particulier, car les algorithmes MO fonctionnent pour la plupart comme des «boîtes noires», ne donnant presque aucune information sur la façon dont ils sont arrivés à une certaine conclusion.

«Le scepticisme est très sain», explique William. «Si nous utilisons MO pour les déclencheurs qui suppriment certaines données, comme sur LHCb, alors nous devons être extrêmement prudents dans ce problème et élever la barre très haut.»

Par conséquent, afin de renforcer la position des OM dans la physique des particules, il est nécessaire de constamment essayer d'améliorer la compréhension du fonctionnement des algorithmes et, si possible, d'effectuer des comparaisons croisées avec des données réelles.

«Nous devons constamment essayer de comprendre ce que fait un algorithme informatique et d'évaluer ses résultats», explique Terao. - Cela est vrai pour tout algorithme, pas seulement pour MO. Par conséquent, le scepticisme ne doit pas entraver les progrès. "

L'avancée rapide permet déjà à certains chercheurs de rêver de ce qui pourrait devenir possible dans un avenir proche. «Aujourd'hui, nous utilisons principalement des MO pour rechercher des fonctionnalités dans nos données qui peuvent nous aider à répondre à certaines questions», explique Terao. «Et dans une dizaine d'années, les algorithmes MO pourraient être en mesure de poser indépendamment leurs propres questions et de comprendre qu'ils ont découvert une nouvelle physique.»