Los físicos de la Universidad de Nueva York han creado nuevas técnicas que implementan el aprendizaje automático como un medio para mejorar significativamente el análisis de datos para el Gran Colisionador de Hadrones LHC, el acelerador de partículas más poderoso del mundo.
"Los métodos que desarrollamos mejoran enormemente nuestro potencial de descubrimiento de nueva física en el LHC", dice Kyle Cranmer, profesor de física y autor principal del artículo, que aparece en la revista Cartas de revisión física .
Ubicado en el laboratorio del CERN cerca de Ginebra, Suiza, el LHC está explorando una nueva frontera en la física de altas energías y puede revelar el origen de la masa de partículas fundamentales, la fuente de la ilusoria materia oscura que llena el universo, e incluso másdimensiones del espacio.
En 2012, los datos recopilados por el LHC respaldaron la existencia del bosón de Higgs, una partícula subatómica que juega un papel clave en nuestra comprensión del universo. Al año siguiente, Peter Higgs y François Englert recibieron el Premio Nobel de Físicaen reconocimiento a su trabajo en el desarrollo de la teoría de lo que ahora se conoce como el campo de Higgs, que da masa a las partículas elementales.
Los investigadores de la NYU, incluido Cranmer, habían buscado evidencia del bosón de Higgs utilizando datos recopilados por el LHC, desarrollaron herramientas estadísticas y metodología utilizada para reclamar el descubrimiento y realizaron mediciones de la nueva partícula estableciendo que efectivamente se trataba del bosón de Higgs.
Los nuevos métodos descritos en el Cartas de revisión física el papel ofrece la posibilidad de realizar descubrimientos pioneros adicionales.
"En muchas áreas de la ciencia, las simulaciones proporcionan las mejores descripciones de un fenómeno complicado, pero son difíciles de usar en el contexto del análisis de datos", explica Cranmer, también miembro de la facultad del Centro de Ciencia de Datos de la Universidad de Nueva York. "Las técnicashemos desarrollado construir un puente que nos permite explotar estas simulaciones muy precisas en el contexto del análisis de datos ".
En física, este desafío suele ser abrumador.
Por ejemplo, señala Cranmer, es sencillo hacer una simulación de la ruptura en un juego de billar con bolas que rebotan entre sí y los rieles. Sin embargo, es mucho más difícil observar la posición final de las bolas parainferir con qué fuerza y en qué ángulo se golpeó inicialmente la bola de cola.
"Aunque a menudo pensamos en lápices y papeles o en pizarrones llenos de ecuaciones, la física moderna a menudo requiere simulaciones por computadora detalladas", agrega. "Estas simulaciones pueden ser muy precisas, pero no proporcionan una forma inmediata de analizar los datos.
"El aprendizaje automático sobresale en la recopilación de patrones en los datos, y esta capacidad se puede utilizar para resumir datos simulados que proporcionan el equivalente actual a una pizarra llena de ecuaciones".
Los otros autores del artículo son: Johann Brehmer, becario postdoctoral en el Centro de Ciencia de Datos de NYU, Gilles Louppe, becario Moore-Sloan Data Science en NYU en el momento de la investigación y ahora profesor en la Universidad de Lieja de Bélgica, y JuanPavez, estudiante de doctorado en la Universidad Santa María de Chile.
"La revolución en la inteligencia artificial está dando lugar a avances en la ciencia", observa Cranmer. "Los equipos multidisciplinarios, como este que unió la física, la ciencia de datos y la informática, están haciendo que eso suceda".
La investigación fue apoyada, en parte, por subvenciones de la National Science Foundation ACI-1450310 y PHY-1505463.
Fuente de la historia :
Materiales proporcionado por Universidad de Nueva York . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :