Anvendelse af maskinlæring på universets mysterier

Computere kan slå skakmestre, simulere stjerneeksplosioner, og forudsige det globale klima. Vi lærer dem endda at være ufejlbarlige problemløsere og hurtige elever.

Og nu, fysikere ved Department of Energy's Lawrence Berkeley National Laboratory (Berkeley Lab) og deres samarbejdspartnere har demonstreret, at computere er klar til at tackle universets største mysterier. Teamet fodrede tusindvis af billeder fra simulerede partikulære kollisioner med høj energi for at træne computernetværk til at identificere vigtige funktioner.

Forskerne programmerede kraftige arrays kendt som neurale netværk til at tjene som en slags hive-lignende digital hjerne til at analysere og fortolke billederne af de simulerede partikelaffald, der blev tilbage fra kollisionerne. Under denne testkørsel fandt forskerne, at de neurale netværk havde op til en 95 procent succesrate i at genkende vigtige funktioner i en stikprøve på omkring 18, 000 billeder.

Undersøgelsen blev offentliggjort 15. januar i tidsskriftet Naturkommunikation .

Det næste trin vil være at anvende den samme maskinlæringsproces på faktiske eksperimentelle data.

Kraftfulde maskinlæringsalgoritmer gør det muligt for disse netværk at forbedre deres analyse, efterhånden som de behandler flere billeder. Den underliggende teknologi bruges til ansigtsgenkendelse og andre typer billedbaserede objektgenkendelsesapplikationer.

Billederne brugt i denne undersøgelse - relevante for partikel-kollider kernefysik eksperimenter ved Brookhaven National Laboratory's Relativistic Heavy Ion Collider og CERN's Large Hadron Collider - genskaber betingelserne for en subatomisk partikel "suppe, "som er en superhot flydende tilstand kendt som kvark-gluonplasma, der menes at eksistere kun milliontedele af et sekund efter universets fødsel. Berkeley Lab-fysikere deltager i forsøg på begge disse steder.

"Vi forsøger at lære om de vigtigste egenskaber ved kvark-gluonplasma, "sagde Xin-Nian Wang, en atomfysiker i Nuclear Science Division ved Berkeley Lab, der er medlem af teamet. Nogle af disse egenskaber er så kortvarige og forekommer i så små skalaer, at de forbliver indhyllet i mystik.

I eksperimenter, atomfysikere bruger partikelkolliderer til at smadre tunge kerner, som guld- eller blyatomer, der er fjernet fra elektroner. Disse kollisioner menes at frigøre partikler inde i atomernes kerner, danner en flygtig, ildkugle i subatomær skala, der nedbryder selv protoner og neutroner til en frit svævende form af deres typisk bundne byggesten:kvarker og gluoner.

Forskere håber, at ved at lære de præcise betingelser, under hvilke dette kvark-gluonplasma dannes, såsom hvor meget energi der er pakket ind, og dens temperatur og tryk, når den overgår til en flydende tilstand, de vil få ny indsigt om dets bestanddele af stof og deres egenskaber, og om universets dannelsesstadier.

Men krævende målinger af disse egenskaber - den såkaldte "tilstandsligning", der er involveret, når materie ændrer sig fra en fase til en anden i disse kollisioner - har vist sig at være udfordrende. De indledende forhold i eksperimenterne kan påvirke resultatet, så det er udfordrende at udtrække tilstandsligninger, der er uafhængige af disse forhold.

"I det atomfysiske samfund, den hellige gral skal se faseovergange i disse højenergi-interaktioner, og bestem derefter tilstandsligningen ud fra de eksperimentelle data, "Wang sagde." Dette er den vigtigste egenskab ved kvark-gluonplasmaet, vi endnu ikke har lært af eksperimenter. "

Forskere søger også indsigt i de grundlæggende kræfter, der styrer samspillet mellem kvarker og gluoner, hvad fysikere omtaler som kvantekromodynamik.

Long-Gang Pang, hovedforfatter til det seneste studie og en Berkeley Lab-tilknyttet postdoktorforsker ved UC Berkeley, sagde, at i 2016, mens han var postdoktor ved Frankfurt Institute for Advanced Studies, han blev interesseret i potentialet for kunstig intelligens (AI) til at hjælpe med at løse udfordrende videnskabelige problemer.

Han så den ene form for AI, kendt som et dybt foldet neuralt netværk - med arkitektur inspireret af billedhåndteringsprocesserne i dyrehjerner - så ud til at være et godt egnet til at analysere videnskabsrelaterede billeder.

"Disse netværk kan genkende mønstre og evaluere bestyrelsespositioner og udvalgte bevægelser i spillet Go, "Sagde Pang." Vi tænkte, 'Hvis vi har nogle visuelle videnskabelige data, måske kan vi få et abstrakt koncept eller værdifuld fysisk information fra dette. '"

Wang tilføjede, "Med denne type maskinlæring, vi forsøger at identificere et bestemt mønster eller en korrelation af mønstre, der er en unik signatur af statens ligning. "Så efter træning, netværket kan på egen hånd fastslå dele af og korrelationer i et billede, hvis der findes nogen, der er mest relevante for det problem forskere forsøger at løse.

Akkumulering af data, der er nødvendige til analysen, kan være meget beregningsmæssigt intensiv, Pang sagde, og i nogle tilfælde tog det cirka en hel dags beregningstid at lave et billede. Da forskere anvendte en række GPU'er, der arbejder parallelt - GPU'er er grafikbehandlingsenheder, der først blev oprettet for at forbedre videospileffekter og siden har eksploderet til en række forskellige anvendelser - reducerede de den tid til ca. 20 minutter pr. Billede.

De brugte computerressourcer på Berkeley Labs National Energy Research Scientific Computing Center (NERSC) i deres undersøgelse, med det meste af computerarbejdet fokuseret på GPU -klynger på GSI i Tyskland og Central China Normal University i Kina.

En fordel ved at bruge sofistikerede neurale netværk, forskerne bemærkede, er, at de kan identificere funktioner, der ikke engang var søgt i det første eksperiment, som at finde en nål i en høstak, når du ikke engang ledte efter den. Og de kan udtrække nyttige detaljer selv fra uklare billeder.

"Selvom du har lav opløsning, du kan stadig få nogle vigtige oplysninger, "Sagde Pang.

Diskussioner er allerede i gang for at anvende maskinlæringsværktøjerne til data fra faktiske heavy-ion kollisionseksperimenter, og de simulerede resultater bør være nyttige til træning af neurale netværk til at fortolke de virkelige data.

"Der vil være mange anvendelser til dette inden for partikelfysik med høj energi, "Sagde Wang, ud over partikel-kollider-eksperimenter.