Las computadoras pueden vencer a los campeones de ajedrez, simular explosiones de estrellas y pronosticar el clima global. Incluso les estamos enseñando a resolver infalibles problemas y aprender rápidamente.
Y ahora, los físicos del Laboratorio Nacional Lawrence Berkeley del Departamento de Energía Berkeley Lab y sus colaboradores han demostrado que las computadoras están listas para enfrentar los misterios más grandes del universo. El equipo alimentó miles de imágenes de colisiones de partículas de alta energía simuladas para entrenarredes informáticas para identificar características importantes.
Los investigadores programaron arreglos potentes conocidos como redes neuronales para que sirvieran como una especie de cerebro digital en forma de hivel al analizar e interpretar las imágenes de los restos de partículas simuladas que quedaron de las colisiones. Durante esta prueba, los investigadores descubrieron que las redes neuronales se habían agotadoa una tasa de éxito del 95 por ciento en el reconocimiento de características importantes en una muestra de aproximadamente 18,000 imágenes.
El estudio fue publicado el 15 de enero en la revista Comunicaciones de la naturaleza .
El siguiente paso será aplicar el mismo proceso de aprendizaje automático a los datos experimentales reales.
Los potentes algoritmos de aprendizaje automático permiten que estas redes mejoren en su análisis a medida que procesan más imágenes. La tecnología subyacente se utiliza en el reconocimiento facial y otros tipos de aplicaciones de reconocimiento de objetos basadas en imágenes.
Las imágenes utilizadas en este estudio, relevantes para los experimentos de física nuclear del colisionador de partículas en el colisionador de iones pesados relativistas del Laboratorio Nacional de Brookhaven y el colisionador de hadrones grandes del CERN, recrean las condiciones de una "sopa" de partículas subatómicas, que es un estado de fluido supercalienteconocido como el plasma de quark-gluon que se cree que existe solo una millonésima de segundo después del nacimiento del universo. Los físicos de Berkeley Lab participan en experimentos en ambos sitios.
"Estamos tratando de aprender sobre las propiedades más importantes del plasma quark-gluon", dijo Xin-Nian Wang, físico nuclear de la División de Ciencias Nucleares en Berkeley Lab, miembro del equipo. Algunas de estas propiedadesson tan efímeros y ocurren a escalas tan pequeñas que permanecen envueltos en misterio.
En experimentos, los físicos nucleares usan colisionadores de partículas para aplastar núcleos pesados, como átomos de oro o plomo que están despojados de electrones. Se cree que estas colisiones liberan partículas dentro de los núcleos de los átomos, formando una bola de fuego fugaz y de escala subatómica que se rompeincluso protones y neutrones en una forma de flotación libre de sus bloques de construcción típicamente unidos: quarks y gluones.
Los investigadores esperan que al aprender las condiciones precisas en las que se forma este plasma de quark-gluón, como la cantidad de energía que se acumula y su temperatura y presión a medida que pasa a un estado fluido, obtendrán nuevos conocimientos sobre sus partículas componentesde la materia y sus propiedades, y sobre las etapas formativas del universo.
Pero las mediciones exactas de estas propiedades, la llamada "ecuación de estado" involucrada a medida que la materia cambia de una fase a otra en estas colisiones, han demostrado ser un desafío. Las condiciones iniciales en los experimentos pueden influir en el resultado, por lo que esdesafiante para extraer mediciones de ecuación de estado que son independientes de estas condiciones.
"En la comunidad de física nuclear, el Santo Grial es ver las transiciones de fase en estas interacciones de alta energía, y luego determinar la ecuación de estado a partir de los datos experimentales", dijo Wang. "Esta es la propiedad más importante del quark-gluón plasma todavía tenemos que aprender de los experimentos "
Los investigadores también buscan información sobre las fuerzas fundamentales que gobiernan las interacciones entre los quarks y los gluones, a lo que los físicos se refieren como cromodinámica cuántica.
Long-Gang Pang, autor principal del último estudio e investigador postdoctoral afiliado a Berkeley Lab en UC Berkeley, dijo que en 2016, mientras era becario postdoctoral en el Instituto de Estudios Avanzados de Frankfurt, se interesó en elpotencial de inteligencia artificial IA para ayudar a resolver problemas científicos desafiantes.
Vio que una forma de IA, conocida como una red neuronal convolucional profunda, con arquitectura inspirada en los procesos de manejo de imágenes en cerebros de animales, parecía ser una buena opción para analizar imágenes relacionadas con la ciencia.
"Estas redes pueden reconocer patrones y evaluar las posiciones del tablero y los movimientos seleccionados en el juego de Go", dijo Pang. "Pensamos: 'Si tenemos algunos datos científicos visuales, quizás podamos obtener un concepto abstracto o información física valiosa deesta.'"
Wang agregó: "Con este tipo de aprendizaje automático, estamos tratando de identificar un cierto patrón o correlación de patrones que es una firma única de la ecuación de estado". Entonces, después del entrenamiento, la red puede determinar por sí misma las porcionesy las correlaciones en una imagen, si existen, que sean más relevantes para el problema que los científicos están tratando de resolver.
La acumulación de datos necesarios para el análisis puede ser muy computacionalmente intensiva, dijo Pang, y en algunos casos tomó aproximadamente un día completo de tiempo de cómputo para crear una sola imagen. Cuando los investigadores emplearon una serie de GPU que funcionan en paralelo -Las GPU son unidades de procesamiento de gráficos que se crearon por primera vez para mejorar los efectos de los videojuegos y desde entonces han explotado en una variedad de usos: reducen ese tiempo a unos 20 minutos por imagen.
En su estudio utilizaron recursos informáticos en el Centro Nacional de Informática Científica de Investigación Energética NERSC de Berkeley Lab, con la mayor parte del trabajo informático centrado en grupos de GPU en GSI en Alemania y en la Universidad Normal de China Central en China.
Los investigadores anotaron que un beneficio del uso de redes neuronales sofisticadas es que pueden identificar características que ni siquiera fueron buscadas en el experimento inicial, como encontrar una aguja en un pajar cuando ni siquiera la estaban buscando.puede extraer detalles útiles incluso de imágenes borrosas.
"Incluso si tiene baja resolución, aún puede obtener información importante", dijo Pang.
Las discusiones ya están en marcha para aplicar las herramientas de aprendizaje automático a los datos de los experimentos reales de colisión de iones pesados, y los resultados simulados deberían ser útiles para entrenar redes neuronales para interpretar los datos reales.
"Habrá muchas aplicaciones para esto en la física de partículas de alta energía", dijo Wang, más allá de los experimentos de colisionador de partículas.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional Lawrence Berkeley . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :