Físicos de partículas ensinaram algoritmos para resolver problemas anteriormente insolúveis e enfrentar novos desafios
Do e-mail à Internet, os físicos de partículas têm sido historicamente os primeiros usuários da tecnologia, se não seus criadores. Portanto, não é inesperado que os pesquisadores começaram a treinar modelos de computador para identificar partículas nos jatos caóticos produzidos por colisões já em 1997. Desde então, esses modelos trabalharam e se tornaram cada vez melhores, embora nem todos tenham ficado felizes com isso. avanço.
Físicos de partículas ensinaram algoritmos para resolver problemas anteriormente insolúveis e enfrentar novos desafios nos últimos dez anos, juntamente com a maior revolução do aprendizado profundo.
O LHC precisa armazenar 600 petabytes de dados ao longo dos próximos anos de coleta de dados, mesmo com um gatilho eficaz. Portanto, os pesquisadores estão procurando maneiras de condensar os dados.
Para começar, os dados utilizados na física de partículas diferem muito dos dados convencionais usados no aprendizado de máquina. Embora as redes neurais convolucionais (CNNs) tenham se destacado na categorização de fotos de itens comuns como árvores, gatinhos e comida, elas são menos boas em lidar com colisões de partículas. Javier Duarte afirma que o problema é que os dados de colisão de fontes como o Grande Colisor de Hádrons não são, por natureza, uma imagem.
Representações chamativas de colisões do LHC podem enganosamente preencher todo o detector. Na verdade, uma tela branca com alguns pixels pretos representa os milhões de entradas que não estão realmente registrando um sinal. Embora a imagem resultante esteja abaixo do padrão por causa da entrada fracamente fornecida, um projeto mais recente conhecido como redes neurais gráficas pode fazer bom uso dela.
A inovação é necessária para superar mais problemas de física de partículas. De acordo com Daniel Whiteson, “não estamos apenas importando martelos para quebrar nossos pregos”. Precisamos criar novos martelos, pois existem novos tipos estranhos de pregos. Um aspecto estranho é a grande quantidade de dados produzidos no LHC – aproximadamente um petabyte por segundo. Apenas uma pequena parte desse vasto volume de dados de alta qualidade é retida. Para criar um sistema de gatilho melhor que mantenha o máximo possível de dados pendentes enquanto remove dados de baixa qualidade, os pesquisadores estão trabalhando para educar um algoritmo de olho afiado para classificar melhor do que um que é codificado.
No entanto, segundo Duarte, um programa desse tipo precisaria ser executado em apenas alguns microssegundos para ser eficiente. Os físicos de partículas estão expandindo os limites dos métodos de máquina, como poda e quantização, para acelerar seus algoritmos para resolver esses problemas. Os pesquisadores estão procurando maneiras de compactar os dados, pois o LHC precisa armazenar 600 petabytes durante os próximos cinco anos de coleta de dados (equivalente a cerca de 660.000 filmes em resolução 4K.
Os físicos de partículas agora podem abordar os dados que utilizam de maneira diferente, graças ao aprendizado de máquina. Eles estão aprendendo a levar em conta os inúmeros outros eventos que ocorrem durante uma colisão em vez de se concentrar em um único evento, como um bóson de Higgs se degradando em dois fótons. Pesquisadores como Thaler estão agora adotando uma visão mais abrangente dos fatos, em vez de apenas o ponto de vista fragmentado que resulta da avaliação de ocorrências interação por interação, mesmo que não haja nexo causal entre dois eventos.
Já existe um estigma em torno da codificação, que ocasionalmente é descartada como “não física real”, e preocupações semelhantes abundam sobre o aprendizado de máquina. Uma preocupação é que o aprendizado de máquina pode confundir a física, tornando a análise uma caixa preta de operações automatizadas que são difíceis para os humanos compreenderem.
O post Hard Sciences Being Shaken by Machine Learning apareceu primeiro no Analytics Insight.
source – www.analyticsinsight.net
