В поисках новых фундаментальных частиц физикам всегда приходилось гадать, как эти частицы могут вести себя.
Новым алгоритмам машинного обучения это не нужно.
Столкновение на Большом адронном коллайдере в апреле этого года выявило отдельные заряженные частицы (оранжевые линии) и струи крупных частиц (желтые конусы).
Большой адронный коллайдер (БАК) каждую секунду сталкивает миллиарды пар протонов.
Иногда этой машине удается немного потрясти реальность и создать в этих столкновениях нечто невиданное ранее.
Но поскольку такие события по определению неожиданны, физики не знают, что именно им следует искать.
Они обеспокоены тем, что, проанализировав данные о миллиардах этих столкновений и отбрав как можно больше образцов, они могут непреднамеренно удалить доказательства какой-то новой физики.
«Мы всегда беспокоимся, что вместе с водой можем выплеснуть и ребенка», — говорит Кайл Крэнмер , физик элементарных частиц из Нью-Йоркского университета, работающий над экспериментом ATLAS на БАКе.
Столкнувшись с проблемой разумного сокращения объема данных, некоторые физики пытаются использовать технологии машинного обучения, такие как «глубокие нейронные сети», чтобы исследовать море знакомых событий в поисках новых физических явлений.
В типичном случае использования этой технологии глубокая нейронная сеть учится отличать кошек от собак, исследуя стопку фотографий с надписью «кошка» и еще одну стопку с надписью «собака».
Но этот подход не сработает при поиске новых частиц, потому что физики не могут снабдить машину изображениями того, чего они никогда не видели.
Поэтому им приходится заниматься «обучением со слабым учителем», когда машины начинают обучение с известных частиц, а затем ищут редкие события, используя менее подробную информацию — например, как часто такие события могут происходить в целом.
Опубликовано в мае на сайте препринтов arxiv.org. работа Трое исследователей предложили использовать аналогичную стратегию для расширения метода «охоты за частицами», классической техники охоты за частицами, которая привела к открытию бозона Хиггса.
Общая идея, как пишет один из авторов работы, Бен Нахман , исследователь из Национальной лаборатории Лоуренса в Беркли, научил машину искать редкие вариации в наборе данных.
Рассмотрим этот простой пример, в духе упомянутых выше кошек и собак, попытки открыть новый вид животных в наборе данных, наполненном наблюдениями за лесами Северной Америки.
Если предположить, что новые животные будут группироваться в определенных географических областях (эта идея соответствует группировке новых частиц вокруг определенной массы), алгоритм должен иметь возможность выбирать их путем систематического сравнения соседних регионов.
Если в Британской Колумбии 113 карибу [оленей Северной Америки], а в штате Вашингтон — 19 (несмотря на наличие миллионов белок там и сям), то программа научится отличать карибу от белок, не изучая их напрямую.
«Это не волшебство, но похоже на это», — сказал Тим Коэн , физик-теоретик элементарных частиц из Университета Орегона, который также изучает слабое наблюдение.
В отличие от этого, в традиционных исследованиях физики элементарных частиц исследователям приходится делать предположения о том, как может выглядеть новое явление.
Они создают модель того, как будут вести себя новые частицы — скажем, новая частица может иметь тенденцию распадаться на определенный набор известных частиц.
И только после того, как они определятся, что именно они ищут, они могут создать особую стратегию поиска.
Обычно на эту задачу у аспиранта уходит год работы, но Нахман считает, что ее можно выполнить быстрее и тщательнее.
Предлагаемый алгоритм CWoLa, что означает классификацию без меток (CLW), способен искать в существующих данных любые неизвестные частицы, которые распадаются либо на две более легкие неизвестные частицы одного типа, либо на две известные частицы одного и того же или разных типов.
типы.
Используя традиционные методы поиска, команды, работающие на БАКе, должны были бы минимум 20 лет перебрать все возможности, совпадающие со вторым вариантом, а для первого варианта сегодня вообще нет стратегий поиска.
Нахман, работающий над проектом ATLAS, говорит, что КБМ способна провести все эти поиски за один раз.
Другие физики-экспериментаторы согласны с тем, что игра, возможно, стоит свеч.
«Мы уже осмотрели разные предсказуемые места, поэтому для нас будет очень важно пойти в другом направлении и заполнить те пустоты, в которые мы еще не заглянули», — сказала она.
Кейт Пачал , физик, ищущий столкновения новых частиц в проекте ATLAS. Он и его коллеги подумывали о разработке гибкого программного обеспечения, способного обрабатывать широкий диапазон масс частиц, но ни у кого из них не было опыта в машинном обучении.
«Думаю, пришло время попробовать это», — сказала она.
Есть надежда, что нейронные сети смогут выявлять скрытые корреляции в данных, которые не могут обнаружить современные модели.
Другие технологии машинного обучения уже успешно повысили эффективность некоторых задач на БАК.
обнаружение струи , произведенный даун-кварками.
В этой работе было совершенно ясно, что физики упустили некоторые сигналы.
«Им не хватало какой-то информации, и если вы заплатили 10 миллиардов долларов за единицу, вы не можете пропустить никакой информации», — сказал он.
Дэниел Уайтсон , физик элементарных частиц из Калифорнийского университета в Ирвайне.
И тем не менее, область машинного обучения полна предостерегающие истории о программах, которые путают руки с гантелями (или еще чем-то худший ).
Некоторые в БАКе обеспокоены тем, что все эти ярлыки будут отражать работу гремлинов в самой машине, которую экспериментаторы намеренно игнорируют. «Когда находишь аномалию, не сразу понятно — это новая физика или просто с детектором что-то не такЭ» - говорит До? , физик, работающий над проектом ATLAS. Теги: #искусственный интеллект #физика #большой адронный коллайдер #физика элементарных частиц
-
Покупка Дешевых Планшетов
19 Oct, 24 -
Новый Мировой Рекорд Скорости На Рельсах
19 Oct, 24 -
Глобальный Конкурс Aws Для Стартапов
19 Oct, 24 -
Логитех G15 И Ubuntu
19 Oct, 24
