Experiências no Large Hadron Collider a cada segundo produzem cerca de um milhão de gigabytes de dados. Mesmo após a redução e a compactação, os dados obtidos no LHC em apenas uma hora, em volume, são comparáveis aos dados recebidos pelo Facebook durante o ano inteiro.
Felizmente, os especialistas em física de partículas não precisam lidar com esses dados manualmente. Eles trabalham em conjunto com um tipo de aprendizado de inteligência artificial para realizar análises de dados independentes usando a tecnologia de aprendizado de máquina.
“Comparado com os algoritmos de computador tradicionais que desenvolvemos para realizar um certo tipo de análise, criamos o algoritmo de aprendizado de máquina para que ele decida que tipo de análise fazer, o que nos poupa um número incontável de horas de trabalho de desenvolvimento e análise”, diz físico Alexander Radovich, do College of William and Mary, trabalhando no experimento Nova neutrino.
Radovic e um grupo de pesquisadores descreveram o escopo da aplicação atual e as perspectivas futuras do MO na física de partículas em um resumo publicado na Nature em agosto de 2018.
Peneirando Big Data
Para processar a enorme quantidade de dados obtidos em experimentos modernos, como os que vão para o LHC, os pesquisadores usam “gatilhos” - equipamento especial que trabalha com o software, decidindo em tempo real quais dados serão deixados para análise e quais serão eliminados. .
Usando um detector de
LHCb em um experimento que pode esclarecer por que há muito mais matéria do que antimatéria no Universo, os algoritmos MO tomam pelo menos 70% dessas decisões, diz Mike Williams, do Instituto de Tecnologia de Massachusetts, trabalhando para o LHCb, um dos autores. resumo mencionado. "O MO desempenha um papel em quase todos os aspectos do trabalho com dados em um experimento, desde gatilhos até análise dos dados restantes", diz ele.
O aprendizado de máquina mostra avanços significativos na análise. Os enormes detectores ATLAS e CMS do LHC, graças aos quais a partícula de Higgs foi descoberta, têm milhões de sensores cujos sinais devem ser reunidos para obter resultados significativos.
"Esses sinais compõem um espaço de dados complexo", diz Michael Kagan, do Laboratório Nacional de Aceleradores de Energia do Departamento de Energia dos EUA (SLAC), um detector ATLAS, que contribuiu para o relatório. "Precisamos entender a relação entre eles para tirar conclusões - por exemplo, que um certo traço de uma partícula em um detector é deixado por um elétron, um fóton ou algo mais".
O MO também é benéfico para experimentos com neutrinos. O NOva, que serve o
Fermilab , está estudando como os neutrinos se transferem de uma espécie para outra quando viajam pela Terra. Essas
oscilações de neutrinos são potencialmente capazes de revelar a existência de novos tipos de neutrinos, que, segundo algumas teorias, podem vir a ser partículas de matéria escura. Os detectores NOva procuram partículas carregadas que aparecem quando os neutrinos colidem com o material no detector e os algoritmos MO os determinam.
Do aprendizado de máquina ao aprendizado profundo
O recente avanço no campo da MO é chamado de aprendizado profundo e promete expandir ainda mais o escopo da MO na física de partículas. GPs geralmente significam o uso de redes neurais: algoritmos de computador com uma arquitetura inspirada em uma rede densa e densa de neurônios do cérebro humano.
Essas redes neurais aprendem independentemente certas tarefas de análise por meio de treinamento, quando processam dados de teste, por exemplo, a partir de simulações e recebem feedback sobre a qualidade de seu trabalho.
Até recentemente, o sucesso das redes neurais era limitado porque eram muito difíceis de treinar, disse o co-autor Kazuhiro Terao, pesquisador do SLAC que trabalha no experimento de neutrinos MicroBooNE, que estuda as oscilações de neutrinos como parte do programa de curto prazo do Fermilab. O experimento fará parte de um futuro
experimento de neutrinos subterrâneos profundos . "Essas dificuldades limitaram nossa capacidade de trabalhar com redes neurais simples com algumas camadas de profundidade", diz ele. "Graças ao avanço de algoritmos e equipamentos de computação, agora sabemos muito mais sobre como criar e treinar redes neurais mais capazes, com centenas ou milhares de camadas".
Muitos avanços na defesa civil são causados pelo desenvolvimento comercial de gigantes da tecnologia e pela explosão de dados que eles criaram nas últimas duas décadas. "Por exemplo, o NOva usa uma rede neural semelhante à arquitetura do GoogleNet", diz Radovic. "Isso melhorou o experimento na medida em que poderia ser alcançado apenas aumentando a coleta de dados em 30%".
Solo frutífero para a inovação
Os algoritmos do MoD estão se tornando mais complexos e ajustados dia após dia, abrindo oportunidades sem precedentes para resolver problemas no campo da física de partículas. Muitas das novas tarefas para as quais podem ser aplicadas estão relacionadas à visão computacional, diz Kagan. "Isso é semelhante ao reconhecimento de faces, mas apenas na física de partículas as propriedades da imagem são mais abstratas e complexas do que ouvidos ou narizes".
Os dados de alguns experimentos, como NOvA e MicroBooNE, podem ser facilmente transformados em imagens reais, e a IA pode ser usada imediatamente para determinar seus recursos. Por outro lado, as imagens dos resultados de experimentos no LHC devem primeiro ser reconstruídas com base em um conjunto intrincado de dados obtidos de milhões de sensores.
"Mas, mesmo que os dados não pareçam imagens, ainda podemos aplicar métodos da visão computacional se processarmos os dados corretamente", diz Radovic.
Uma das áreas em que essa abordagem pode ser muito útil é a análise de jatos de partículas que surgem em grandes quantidades no LHC. Jatos são jatos estreitos de partículas, cujos traços são extremamente difíceis de separar um do outro. A tecnologia de visão computacional pode ajudar a entender esses jatos.
Outra nova aplicação do GO é a simulação de dados sobre física de partículas, que prevêem, por exemplo, o que acontecerá em colisões de partículas no LHC, que podem ser comparadas com dados reais. Esses tipos de simulações geralmente ocorrem lentamente e requerem um poder de processamento incrivelmente grande. A IA poderia realizar essas simulações muito mais rapidamente, o que poderia se tornar um complemento útil para os métodos de pesquisa tradicionais.
"Apenas alguns anos atrás, ninguém poderia imaginar que redes neurais profundas pudessem ser treinadas para" ver "dados baseados em ruído aleatório", diz Kagan. "Embora esse trabalho ainda esteja em um estágio muito inicial, ele já parece bastante promissor e provavelmente ajudará a resolver problemas de dados no futuro."
Os benefícios do ceticismo saudável
Apesar das descobertas óbvias, os entusiastas do MO freqüentemente encontram ceticismo por parte de seus colegas, em particular, uma vez que os algoritmos do MO geralmente funcionam como "caixas pretas", dando quase nenhuma informação sobre como eles chegaram a uma certa conclusão.
"O ceticismo é muito saudável", diz William. "Se usarmos o MO para gatilhos que descartam alguns dados, como no LHCb, precisamos ser extremamente cuidadosos com esse problema e elevar a fasquia muito alta".
Portanto, para fortalecer a posição dos MOs na física de partículas, é necessário tentar constantemente melhorar o entendimento de como os algoritmos funcionam e, se possível, fazer uma comparação cruzada com dados reais.
"Precisamos constantemente tentar entender o que um algoritmo de computador faz e avaliar seus resultados", diz Terao. - Isso é verdade para qualquer algoritmo, não apenas para o MO. Portanto, o ceticismo não deve inibir o progresso ".
O rápido avanço já permite que alguns pesquisadores sonhem com o que pode se tornar possível no futuro próximo. "Hoje, usamos principalmente MOs para procurar recursos em nossos dados que podem nos ajudar a responder a algumas perguntas", diz Terao. "E em cerca de dez anos, os algoritmos do MO podem ser capazes de fazer suas próprias perguntas de forma independente e entender que eles descobriram uma nova física".