मशीनी भौतिकी में तेजी से मशीन लर्निंग का उपयोग किया जाता है।

लार्ज हैड्रोन कोलाइडर में हर सेकंड एक मिलियन गीगाबाइट डेटा का उत्पादन होता है। कटौती और संपीड़न के बाद भी, एलएचसी पर केवल एक घंटे में, मात्रा द्वारा प्राप्त डेटा, पूरे वर्ष के लिए फेसबुक द्वारा प्राप्त आंकड़ों के साथ तुलनीय है।

सौभाग्य से, कण भौतिकी विशेषज्ञों को मैन्युअल रूप से इस डेटा से निपटने की आवश्यकता नहीं है। वे मशीन सीखने की तकनीक का उपयोग करके स्वतंत्र डेटा विश्लेषण करने के लिए एक प्रकार की कृत्रिम बुद्धिमत्ता सीखने के साथ मिलकर काम करते हैं।

"पारंपरिक कंप्यूटर एल्गोरिदम की तुलना में, जो हम एक निश्चित प्रकार के विश्लेषण को विकसित करने के लिए विकसित करते हैं, हम मशीन लर्निंग एल्गोरिदम बनाते हैं ताकि यह तय हो सके कि किस तरह का विश्लेषण करना है, जो हमें विकास और विश्लेषण के कई घंटे की बेशुमार बचत करता है," नोवा न्यूट्रिनो प्रयोग में काम कर रहे विलियम एंड मैरी कॉलेज के भौतिक विज्ञानी अलेक्जेंडर रेडोविच।

रेडकोविक और शोधकर्ताओं के एक समूह ने अगस्त 2018 में नेचर में प्रकाशित एक सारांश में कण भौतिकी में एमओ के वर्तमान अनुप्रयोग और भविष्य की संभावनाओं के दायरे को रेखांकित किया।

बड़ा डेटा भेज रहा है

आधुनिक प्रयोगों में प्राप्त डेटा की भारी मात्रा को संसाधित करने के लिए, जैसे कि एलएचसी में जाने वाले, शोधकर्ता "ट्रिगर्स" का उपयोग करते हैं - विशेष उपकरण जो सॉफ्टवेयर के साथ काम करते हैं, वास्तविक समय में निर्णय लेते हैं कि विश्लेषण के लिए कौन सा डेटा छोड़ना है और किस से छुटकारा पाना है ।

एक प्रयोग में एलएचसीबी डिटेक्टर पर, जो इस बात पर प्रकाश डाल सकता है कि ब्रह्मांड में एंटीमैटर की तुलना में बहुत अधिक मामला क्यों है, एमओ एल्गोरिदम इस तरह के निर्णयों का कम से कम 70% बनाते हैं, कहते हैं, मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के माइक विलियम्स, एक एलडीबी के लिए काम कर रहे हैं। उल्लेख सारांश। उन्होंने कहा, "एमओ प्रयोग में डेटा के साथ काम करने के लगभग सभी पहलुओं में भूमिका निभाता है, ट्रिगर से लेकर शेष डेटा के विश्लेषण तक।"

मशीन लर्निंग विश्लेषण में महत्वपूर्ण प्रगति को दर्शाता है। LHC में विशाल ATLAS और CMS डिटेक्टर, जिसकी बदौलत हिग्स कण की खोज हुई, लाखों सेंसर हैं जिनके संकेतों को सार्थक परिणाम प्राप्त करने के लिए एक साथ लाया जाना चाहिए।

"ये संकेत एक जटिल डेटा स्पेस बनाते हैं," एटीएलएएस डिटेक्टर के यूएस डिपार्टमेंट ऑफ एनर्जी के नेशनल एनर्जी एक्सिलरेटर लेबोरेटरी (एसएलएसी) के माइकल कगन ने कहा, जिन्होंने रिपोर्ट में योगदान दिया। "हमें निष्कर्ष निकालने के लिए उनके बीच के रिश्ते को समझने की आवश्यकता है - उदाहरण के लिए, कि डिटेक्टर में एक कण का एक निश्चित निशान एक इलेक्ट्रॉन, एक फोटॉन या कुछ और द्वारा छोड़ा जाता है।"

न्यूट्रिनों के साथ प्रयोग के लिए भी एमओ फायदेमंद है। नोवा, जो फ़र्मिलाब की सेवा करता है, यह अध्ययन कर रहा है कि पृथ्वी के माध्यम से यात्रा करते समय न्यूट्रिनोस एक प्रजाति से दूसरे में कैसे स्थानांतरित होते हैं। ये न्यूट्रिनो दोलन संभावित रूप से नए प्रकार के न्यूट्रिनो के अस्तित्व को प्रकट करने में सक्षम हैं , जो कुछ सिद्धांतों के अनुसार, काले पदार्थ के कणों के रूप में निकल सकते हैं। नोवा डिटेक्टर चार्ज किए गए कणों की तलाश करते हैं जो तब दिखाई देते हैं जब न्युट्रीनो डिटेक्टर में सामग्री के साथ टकराते हैं, और एमओ एल्गोरिदम उन्हें निर्धारित करते हैं।

मशीन लर्निंग से लेकर डीप लर्निंग तक

एमओ के क्षेत्र में हाल की प्रगति को अक्सर गहरी शिक्षा कहा जाता है, और यह कण भौतिकी में एमओ के दायरे को और विस्तारित करने का वादा करता है। जीपी का मतलब आमतौर पर तंत्रिका नेटवर्क का उपयोग होता है: मानव मस्तिष्क न्यूरॉन्स के घने नेटवर्क से प्रेरित वास्तुकला के साथ कंप्यूटर एल्गोरिदम।

ये तंत्रिका नेटवर्क स्वतंत्र रूप से प्रशिक्षण के माध्यम से विश्लेषण के कुछ कार्यों को सीखते हैं, जब वे परीक्षण डेटा की प्रक्रिया करते हैं, उदाहरण के लिए, सिमुलेशन से, और अपने काम की गुणवत्ता पर प्रतिक्रिया प्राप्त करते हैं।

हाल तक तक, तंत्रिका नेटवर्क की सफलता सीमित थी क्योंकि उन्हें प्रशिक्षित करने में बहुत मुश्किल थी, माइक्रो-न्यूट्रीनो न्यूट्रिनो प्रयोग में काम करने वाले एक एसएलएसी शोधकर्ता, कजुहिरो तेराओ ने कहा, जो न्यूट्रीनो दोलनों का अध्ययन फेरमिलाब अल्पकालिक कार्यक्रम के हिस्से के रूप में करते हैं। यह प्रयोग भविष्य के डीप अंडरग्राउंड न्यूट्रिनो प्रयोग का हिस्सा होगा। वे कहते हैं, "इन कठिनाइयों ने सरल तंत्रिका नेटवर्क के साथ काम करने की हमारी क्षमता को सीमित कर दिया है।" "एल्गोरिदम और कंप्यूटिंग उपकरणों की प्रगति के लिए धन्यवाद, अब हम सैकड़ों या हजारों परतों के साथ अधिक सक्षम तंत्रिका नेटवर्क बनाने और प्रशिक्षित करने के तरीके के बारे में अधिक जानते हैं।"

नागरिक सुरक्षा में कई सफलताएँ प्रौद्योगिकी दिग्गजों के व्यावसायिक विकास और पिछले दो दशकों में बनाए गए डेटा के विस्फोट के कारण होती हैं। "उदाहरण के लिए, नोवा GoogleNet वास्तुकला के समान एक तंत्रिका नेटवर्क का उपयोग करता है," रैडोविच कहते हैं। "इसने प्रयोग को उस सीमा तक बेहतर किया है जो केवल डेटा संग्रह को 30% बढ़ाकर प्राप्त किया जा सकता था।"

नवाचार के लिए फलदायी मिट्टी

MoD एल्गोरिदम दिन-प्रतिदिन अधिक जटिल और बारीक होते जा रहे हैं, जिससे कण भौतिकी के क्षेत्र में समस्याओं के समाधान के अभूतपूर्व अवसर खुल रहे हैं। कगान कहते हैं कि नए कार्यों में से कई जिनके लिए उन्हें लागू किया जा सकता है, कंप्यूटर दृष्टि से संबंधित हैं। "यह चेहरा पहचान के समान है, लेकिन केवल कण भौतिकी में कान या नाक की तुलना में छवि गुण अधिक सार और जटिल हैं।"

कुछ प्रयोगों, जैसे कि एनओवीए और माइक्रोब्यून, से डेटा को आसानी से वास्तविक चित्रों में बदल दिया जा सकता है, और एआई को तुरंत उनकी सुविधाओं को निर्धारित करने के लिए उपयोग किया जा सकता है। दूसरी ओर, LHC पर प्रयोगों के परिणामों से छवियों को पहले लाखों सेंसर से प्राप्त डेटा के जटिल सेट के आधार पर पुनर्निर्माण किया जाना चाहिए।

", लेकिन भले ही डेटा छवियों की तरह न दिखे, अगर हम डेटा को सही तरीके से प्रोसेस करते हैं, तो भी हम कंप्यूटर विज़न से तरीके लागू कर सकते हैं"

उन क्षेत्रों में से एक जहां यह दृष्टिकोण बहुत उपयोगी हो सकता है, एलएचसी पर बड़ी मात्रा में उत्पन्न होने वाले कण जेट का विश्लेषण है। जेट कणों के संकीर्ण जेट हैं, जिनमें से निशान एक दूसरे से अलग करना बेहद मुश्किल है। कंप्यूटर दृष्टि प्रौद्योगिकी इन जेट्स को समझने में मदद कर सकती है।

जीओ का एक और नया अनुप्रयोग कण भौतिकी पर डेटा का अनुकरण है, जो भविष्यवाणी करता है, उदाहरण के लिए, एलएचसी पर कण टकरावों में क्या होगा, जिसकी वास्तविक डेटा के साथ तुलना की जा सकती है। इस प्रकार के सिमुलेशन आमतौर पर धीरे-धीरे चलते हैं और अविश्वसनीय रूप से बड़ी प्रसंस्करण शक्ति की आवश्यकता होती है। एआई बहुत तेजी से ऐसे सिमुलेशन का संचालन कर सकता है, जो अंततः पारंपरिक अनुसंधान विधियों के लिए एक उपयोगी पूरक बन सकता है।

"कुछ साल पहले, कोई भी यह नहीं सोच सकता था कि गहरे तंत्रिका नेटवर्क को यादृच्छिक शोर के आधार पर डेटा" देखने "के लिए प्रशिक्षित किया जा सकता है," कगन कहते हैं। "हालांकि यह काम अभी भी बहुत प्रारंभिक चरण में है, यह पहले से ही काफी आशाजनक लग रहा है, और भविष्य में डेटा समस्याओं को हल करने में मदद करने की संभावना है।"

स्वस्थ संदेह का लाभ

स्पष्ट सफलताओं के बावजूद, एमओ उत्साही अक्सर अपने सहयोगियों से संदेह का सामना करते हैं, विशेष रूप से, चूंकि एमओ एल्गोरिदम "ब्लैक बॉक्स" जैसे अधिकांश भाग के लिए काम करते हैं, इस बारे में लगभग कोई जानकारी नहीं है कि वे एक निश्चित निष्कर्ष पर कैसे आए।

"संदेहवाद बहुत स्वस्थ है," विलियम कहते हैं। "अगर हम कुछ डेटा को छोड़ने वाले ट्रिगर के लिए MO का उपयोग करते हैं, जैसे कि LHCb पर, तो हमें इस मुद्दे पर बेहद सावधानी बरतने और बार को बहुत ऊपर उठाने की आवश्यकता है।"

इसलिए, कण भौतिकी में एमओ की स्थिति को मजबूत करने के लिए, एल्गोरिदम काम करने की समझ को बेहतर बनाने के लिए लगातार प्रयास करना आवश्यक है और यदि संभव हो तो, वास्तविक डेटा के साथ क्रॉस-तुलना करें।

"हम लगातार समझने की कोशिश करते हैं कि कंप्यूटर एल्गोरिदम क्या करता है और इसके परिणामों का मूल्यांकन करता है," तारो कहते हैं। - यह किसी भी एल्गोरिथ्म के लिए सच है, न कि केवल एमओ। इसलिए, संदेहवाद को प्रगति को बाधित नहीं करना चाहिए। ”

तीव्र प्रगति पहले से ही कुछ शोधकर्ताओं को सपने देखने की अनुमति देती है कि निकट भविष्य में क्या संभव हो सकता है। "आज, हम ज्यादातर अपने डेटा में सुविधाओं की तलाश के लिए MOs का उपयोग करते हैं जो हमें कुछ सवालों के जवाब देने में मदद कर सकते हैं," तारो कहते हैं। "और लगभग दस वर्षों में, एमओ एल्गोरिदम अपने स्वयं के प्रश्नों को स्वतंत्र रूप से प्रस्तुत करने में सक्षम हो सकते हैं और समझ सकते हैं कि उन्होंने नई भौतिकी की खोज की है।"