Application de l'apprentissage automatique aux mystères de l'univers

Anonim

Les ordinateurs peuvent battre les champions d'échecs, simuler des explosions d'étoiles et prévoir le climat mondial. Nous leur apprenons même à être des résolveurs de problèmes infaillibles et des apprenants rapides.

Et maintenant, les physiciens du laboratoire national Lawrence Berkeley du ministère de l'Énergie (Berkeley Lab) et leurs collaborateurs ont démontré que les ordinateurs sont prêts à affronter les plus grands mystères de l'univers. L'équipe a alimenté des milliers d'images provenant de collisions de particules à haute énergie simulées pour former des réseaux informatiques afin d'identifier des caractéristiques importantes.

Les chercheurs ont programmé des réseaux puissants connus sous le nom de réseaux de neurones pour servir de sorte de cerveau numérique similaire à celui du vih pour analyser et interpréter les images des débris de particules simulés laissés par les collisions. Au cours de cet essai, les chercheurs ont constaté que les réseaux de neurones avaient un taux de réussite pouvant atteindre 95% dans la reconnaissance des caractéristiques importantes d’un échantillon d’environ 18 000 images.

L'étude a été publiée le 15 janvier dans la revue Nature Communications.

L'étape suivante consistera à appliquer le même processus d'apprentissage automatique aux données expérimentales réelles.

De puissants algorithmes d'apprentissage automatique permettent à ces réseaux d'améliorer leur analyse lorsqu'ils traitent plus d'images. La technologie sous-jacente est utilisée dans la reconnaissance faciale et d'autres types d'applications de reconnaissance d'objets basées sur l'image.

Les images utilisées dans cette étude - concernant les expériences de physique nucléaire des collisionneurs de particules au collisionneur d'ions lourds relativistes du Brookhaven National Laboratory et au grand collisionneur de hadrons du CERN - recréent les conditions d'une "soupe" de particules subatomiques, le quark -gluon plasma supposé exister seulement un millionième de seconde après la naissance de l'univers. Les physiciens de Berkeley Lab participent à des expériences sur ces deux sites.

"Nous essayons de connaître les propriétés les plus importantes du plasma quark-gluon", a déclaré Xin-Nian Wang, physicien nucléaire à la division des sciences nucléaires de Berkeley Lab, qui est membre de l'équipe. Certaines de ces propriétés ont une durée de vie si courte et se produisent à des échelles si infimes qu’elles restent mystérieuses.

Dans des expériences, les physiciens nucléaires utilisent des collisionneurs de particules pour briser des noyaux lourds, comme des atomes d'or ou de plomb dénués d'électrons. Ces collisions sont supposées libérer des particules à l'intérieur des noyaux des atomes, formant une boule de feu à l'échelle subatomique fugace qui décompose même les protons et les neutrons en une forme flottante de leurs blocs de construction typiques: quarks et gluons.

Les chercheurs espèrent qu’en apprenant les conditions précises dans lesquelles ce plasma de quarks et de gluons se forme, comme la quantité d’énergie accumulée, sa température et sa pression lorsqu’il passe dans un état fluide, ils pourront mieux comprendre ses particules de matière. et leurs propriétés, et sur les étapes de formation de l'univers.

Mais des mesures rigoureuses de ces propriétés - la prétendue "équation d'état" impliquée lorsque la matière change d'une phase à l'autre - se sont avérées difficiles. Les conditions initiales dans les expériences peuvent influencer le résultat, il est donc difficile d'extraire des mesures d'équation d'état indépendantes de ces conditions.

"Dans la communauté de la physique nucléaire, le Saint-Graal doit voir les transitions de phase dans ces interactions à haute énergie, puis déterminer l'équation d'état à partir des données expérimentales", a déclaré Wang. "C'est la propriété la plus importante du plasma quark-gluon que nous avons encore à apprendre des expériences."

Les chercheurs cherchent également à comprendre les forces fondamentales qui régissent les interactions entre les quarks et les gluons, ce que les physiciens appellent la chromodynamique quantique.

Long-Gang Pang, auteur principal de la dernière étude et chercheur postdoctoral affilié à Berkeley Lab à l'UC Berkeley, a déclaré qu'en 2016, alors qu'il était boursier postdoctoral à l'Institut des hautes études de Francfort, il s'est intéressé au potentiel de intelligence artificielle (IA) pour aider à résoudre des problèmes scientifiques complexes.

Il a vu qu'une forme d'IA, connue sous le nom de réseau neuronal convolutif profond - avec une architecture inspirée des processus de traitement d'image dans le cerveau des animaux - semblait bien adaptée à l'analyse d'images liées à la science.

"Ces réseaux peuvent reconnaître des modèles et évaluer les positions du conseil et les mouvements sélectionnés dans le jeu de Go", a déclaré Pang. "Nous avons pensé:" Si nous disposons de données scientifiques visuelles, nous pouvons peut-être en tirer un concept abstrait ou des informations physiques précieuses. "

Wang a ajouté: "Avec ce type d’apprentissage automatique, nous essayons d’identifier un certain modèle ou une corrélation de motifs qui est une signature unique de l’équation d’état." Ainsi, après la formation, le réseau peut identifier les portions et les corrélations d’une image, le cas échéant, qui sont les plus pertinentes pour le problème que les scientifiques tentent de résoudre.

L’accumulation de données nécessaires à l’analyse peut nécessiter beaucoup de calculs, a déclaré M. Pang, et dans certains cas, il a fallu environ une journée de temps de calcul pour créer une seule image. Lorsque les chercheurs ont utilisé un ensemble de GPU fonctionnant en parallèle, les GPU sont des unités de traitement graphique créées pour améliorer les effets des jeux vidéo.

Ils ont utilisé les ressources informatiques du Centre de calcul scientifique pour la recherche énergétique (NERSC) de Berkeley Lab dans leur étude, la plupart des travaux informatiques étant concentrés sur les grappes GPU d'Allemagne et de Chine centrale.

Les chercheurs ont noté qu’un avantage de l’utilisation de réseaux neuronaux sophistiqués est qu’ils peuvent identifier des caractéristiques qui n’étaient même pas recherchées dans l’expérience initiale, comme trouver une aiguille dans une botte de foin alors que vous ne la cherchiez même pas. Et ils peuvent extraire des détails utiles même à partir d'images floues.

"Même si vous avez une faible résolution, vous pouvez toujours obtenir des informations importantes", a déclaré Pang.

Des discussions sont déjà en cours pour appliquer les outils d'apprentissage automatique aux données provenant d'expériences réelles de collision d'ions lourds, et les résultats simulés devraient être utiles pour former des réseaux neuronaux afin d'interpréter les données réelles.

"Il y aura beaucoup d'applications pour cela dans la physique des particules à haute énergie", a déclaré Wang, au-delà des expériences de collisionneurs de particules.

menu
menu