• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  science >> Scienza >  >> Fisica
    Applicare l'apprendimento automatico ai misteri degli universi

    Le linee colorate rappresentano tracce di particelle calcolate da collisioni di particelle che si verificano all'interno del rivelatore STAR del Brookhaven National Laboratory presso il Relativistic Heavy Ion Collider, e un'illustrazione di un cervello digitale. Il bagliore giallo-rosso al centro mostra una simulazione idrodinamica del plasma di quark e gluoni creato in collisioni di particelle. Credito:Berkeley Lab

    I computer possono battere i campioni di scacchi, simulare esplosioni di stelle, e prevedere il clima globale. Stiamo persino insegnando loro ad essere infallibili risolutori di problemi e studenti veloci.

    E adesso, i fisici del Lawrence Berkeley National Laboratory (Berkeley Lab) del Dipartimento dell'Energia e i loro collaboratori hanno dimostrato che i computer sono pronti per affrontare i più grandi misteri dell'universo. Il team ha alimentato migliaia di immagini da collisioni simulate di particelle ad alta energia per addestrare le reti di computer a identificare caratteristiche importanti.

    I ricercatori hanno programmato potenti array noti come reti neurali per fungere da una sorta di cervello digitale simile a un alveare nell'analisi e nell'interpretazione delle immagini dei detriti di particelle simulate rimaste dalle collisioni. Durante questo test, i ricercatori hanno scoperto che le reti neurali avevano una percentuale di successo fino al 95% nel riconoscere caratteristiche importanti in un campione di circa 18, 000 immagini.

    Lo studio è stato pubblicato il 15 gennaio sulla rivista Comunicazioni sulla natura .

    Il prossimo passo sarà applicare lo stesso processo di apprendimento automatico ai dati sperimentali effettivi.

    Potenti algoritmi di apprendimento automatico consentono a queste reti di migliorare la loro analisi man mano che elaborano più immagini. La tecnologia sottostante viene utilizzata nel riconoscimento facciale e in altri tipi di applicazioni di riconoscimento di oggetti basate su immagini.

    Le immagini utilizzate in questo studio - relative agli esperimenti di fisica nucleare con collisioni di particelle presso il Relativistic Heavy Ion Collider del Brookhaven National Laboratory e il Large Hadron Collider del CERN - ricreano le condizioni di una particella subatomica "zuppa, " che è uno stato fluido supercaldo noto come plasma di quark e gluoni che si ritiene esista solo un milionesimo di secondo dopo la nascita dell'universo. I fisici del Berkeley Lab partecipano agli esperimenti in entrambi questi siti.

    "Stiamo cercando di conoscere le proprietà più importanti del plasma di quark e gluoni, " disse Xin-Nian Wang, un fisico nucleare della Divisione di Scienze Nucleari del Berkeley Lab che è un membro del team. Alcune di queste proprietà sono così di breve durata e si verificano su scale così piccole che rimangono avvolte nel mistero.

    Negli esperimenti, i fisici nucleari usano i collisori di particelle per frantumare insieme nuclei pesanti, come atomi d'oro o di piombo privati ​​degli elettroni. Si ritiene che queste collisioni liberino particelle all'interno dei nuclei degli atomi, formando un fugace, palla di fuoco su scala subatomica che scompone anche protoni e neutroni in una forma fluttuante dei loro elementi costitutivi tipicamente legati:quark e gluoni.

    I ricercatori sperano che, imparando le condizioni precise in cui si forma questo plasma di quark e gluoni, come quanta energia è contenuta, e la sua temperatura e pressione mentre passa allo stato fluido, acquisiranno nuove conoscenze sulle particelle che compongono la materia e sulle loro proprietà, e sugli stadi formativi dell'universo.

    Ma misurazioni precise di queste proprietà - la cosiddetta "equazione di stato" coinvolta quando la materia cambia da una fase all'altra in queste collisioni - si sono rivelate impegnative. Le condizioni iniziali negli esperimenti possono influenzare il risultato, quindi è difficile estrarre misurazioni dell'equazione di stato indipendenti da queste condizioni.

    Il diagramma a sinistra, che mappa la distribuzione delle particelle in una collisione simulata di ioni pesanti ad alta energia, include dettagli sulla quantità di moto e sugli angoli delle particelle. Migliaia di queste immagini sono state utilizzate per addestrare e testare una rete neurale per identificare caratteristiche importanti nelle immagini. A destra, una rete neurale ha utilizzato la raccolta di immagini per creare questa "mappa dell'importanza":i colori più chiari rappresentano le aree considerate più rilevanti per identificare l'equazione di stato per la materia quark-gluoni creata nelle collisioni di particelle. Credito:Berkeley Lab

    "Nella comunità di fisica nucleare, il Santo Graal è vedere le transizioni di fase in queste interazioni ad alta energia, e quindi determinare l'equazione di stato dai dati sperimentali, "Ha detto Wang. "Questa è la proprietà più importante del plasma di quark e gluoni che dobbiamo ancora imparare dagli esperimenti".

    I ricercatori cercano anche informazioni sulle forze fondamentali che governano le interazioni tra quark e gluoni, ciò che i fisici chiamano cromodinamica quantistica.

    Pang della lunga banda, l'autore principale dell'ultimo studio e ricercatore post-dottorato affiliato al Berkeley Lab presso l'UC Berkeley, detto che nel 2016 mentre era un borsista post-dottorato presso l'Istituto di studi avanzati di Francoforte, si interessò al potenziale dell'intelligenza artificiale (AI) per aiutare a risolvere problemi scientifici impegnativi.

    Ha visto che una forma di intelligenza artificiale, nota come rete neurale convoluzionale profonda - con un'architettura ispirata ai processi di gestione delle immagini nei cervelli animali - sembrava essere una buona soluzione per l'analisi di immagini relative alla scienza.

    "Queste reti possono riconoscere i modelli e valutare le posizioni della scacchiera e i movimenti selezionati nel gioco del Go, " ha detto Pang. "Abbiamo pensato, "Se disponiamo di dati scientifici visivi, forse possiamo ottenere un concetto astratto o informazioni fisiche preziose da questo.'"

    Wang ha aggiunto, "Con questo tipo di apprendimento automatico, stiamo cercando di identificare un certo schema o correlazione di schemi che è una firma univoca dell'equazione di stato." Quindi, dopo l'allenamento, la rete può individuare da sola le porzioni e le correlazioni in un'immagine, se ne esistono, che sono più rilevanti per il problema che gli scienziati stanno cercando di risolvere.

    L'accumulo di dati necessari per l'analisi può essere molto impegnativo dal punto di vista computazionale, Pang ha detto, e in alcuni casi è stata necessaria circa un'intera giornata di calcolo per creare una sola immagine. Quando i ricercatori hanno impiegato una serie di GPU che funzionano in parallelo - le GPU sono unità di elaborazione grafica che sono state inizialmente create per migliorare gli effetti dei videogiochi e da allora sono esplose in una varietà di usi - hanno ridotto quel tempo a circa 20 minuti per immagine.

    Nel loro studio hanno utilizzato le risorse informatiche del National Energy Research Scientific Computing Center (NERSC) del Berkeley Lab, con la maggior parte del lavoro di calcolo incentrato sui cluster GPU presso il GSI in Germania e la Central China Normal University in Cina.

    Un vantaggio dell'utilizzo di reti neurali sofisticate, i ricercatori hanno notato, è che possono identificare caratteristiche che non sono state nemmeno ricercate nell'esperimento iniziale, come trovare un ago in un pagliaio quando non lo stavi nemmeno cercando. E possono estrarre dettagli utili anche da immagini sfocate.

    "Anche se hai una bassa risoluzione, puoi ancora ottenere alcune informazioni importanti, " ha detto Pang.

    Sono già in corso discussioni per applicare gli strumenti di apprendimento automatico ai dati provenienti da esperimenti reali di collisione di ioni pesanti, e i risultati simulati dovrebbero essere utili per addestrare le reti neurali a interpretare i dati reali.

    "Ci saranno molte applicazioni per questo nella fisica delle particelle ad alta energia, "Wang ha detto, oltre gli esperimenti sui collisori di particelle.

    © Scienza https://it.scienceaq.com