A técnica de IA faz duplo dever, abrangendo escalas cósmicas e subatômicas
62 / 100 SEO Score

Embora a física e a cosmologia de alta energia pareçam diferentes em termos de escala, os físicos e cosmólogos de Argonne estão usando métodos de aprendizado de máquina semelhantes para resolver problemas de classificação de partículas subatômicas e galáxias.

A física e a cosmologia de alta energia parecem mundos à parte em termos de escala absoluta, mas os componentes invisíveis que compõem o campo de um informam a composição e a dinâmica do outro – estrelas em colapso, nebulosas nascentes de estrelas e, talvez, matéria escura.

Por décadas, as técnicas pelas quais os pesquisadores de ambos os campos estudaram seus domínios também pareciam quase incompatíveis. A física de alta energia confiava em aceleradores e detectores para obter alguma percepção das interações energéticas das partículas, enquanto os cosmólogos olhavam através de todos os tipos de telescópios para desvendar os segredos do universo.

 … seria interessante saber se as técnicas de classificação de imagens de aprendizado de máquina que têm sido utilizados com sucesso pelo Google e Facebook pode simplificar ou encurtar o desenvolvimento de algoritmos que identificam assinaturas de partículas em nossos 3 D detectores.” Taylor Childers, físico de partículas de Argonne e cientista da computação

Embora nenhum tenha desistido do equipamento fundamental de seu campo específico, físicos e cosmólogos do Laboratório Nacional de Argonne do Departamento de Energia dos EUA ( DOE ) estão atacando problemas complexos em várias escalas usando várias formas de uma técnica de inteligência artificial chamada aprendizado de máquina.

Já usado em vários campos, o aprendizado de máquina pode ajudar a identificar padrões ocultos, aprendendo com os dados de entrada e melhorando progressivamente as previsões sobre novos dados. Pode ser aplicado a tarefas de classificação visual ou na rápida reprodução de cálculos complicados e computacionalmente caros.

Com o potencial de transformar radicalmente a maneira como a ciência é conduzida, essas técnicas de IA nos ajudarão a entender melhor a distribuição das galáxias por todo o universo ou visualizar melhor a formação de novas partículas a partir das quais podemos inferir nova física.

 Ao longo das décadas, desenvolvemos algoritmos tradicionais que reconstroem as assinaturas das várias partículas nas quais estamos interessados”, disse Taylor Childers, físico de partículas e cientista da computação do Argonne Leadership Computing Facility ( ALCF ), um escritório do DOE Facilidade de Usuário de Ciência.

 Demorou muito tempo para desenvolvê-los e eles são muito precisos”, acrescentou. Mas, ao mesmo tempo, seria interessante saber se as técnicas de classificação de imagens de aprendizado de máquina que têm sido utilizados com sucesso pelo Google e Facebook pode simplificar ou encurtar o desenvolvimento de algoritmos que identificam assinaturas de partículas em nossos 3 D detectores.”

Childers trabalhos com Argonne físicos de alta energia, os quais são membros da ATLAS colaboração experimental no CERN ‘s Large Hadron Collider ( LHC ), o maior e mais poderoso acelerador de partículas do mundo. Olhando para resolver uma ampla gama de problemas de física, o ATLAS detector fica oito andares de altura e 150 pés de comprimento em um ponto em torno do LHC ‘s 17 -mile circunferência anel colisor, onde mede os produtos de colisão de prótons a velocidades que aproximam a velocidade de luz.

De acordo com o site da ATLAS , Mais de um bilhão interações de partículas ter lugar no ATLAS detector a cada segundo, uma taxa de dados equivalente a 20 conversas telefônicas simultâneas realizadas por cada pessoa na terra.”

Embora apenas uma pequena porcentagem dessas colisões seja considerada digna de estudo – cerca de um milhão por segundo -, ela ainda fornece uma montanha de dados para os cientistas investigarem.

Essas colisões de partículas de alta velocidade criam novas partículas, como elétrons ou chuveiros de quark, cada uma deixando uma assinatura exclusiva no detector. São essas assinaturas que Childers gostaria de identificar através do aprendizado de máquina.

Entre os desafios está capturando essas assinaturas de energia como imagens em um complexo de 3 D espaço. Uma foto, por exemplo, é, essencialmente, um 2 D representação de 3 D dados com posições verticais e horizontais. Os dados de pixel, as cores da imagem, são orientados espacialmente e possuem informações espaciais codificadas neles – por exemplo, os olhos de um gato estão próximos ao nariz e as orelhas acima, à esquerda e à direita.

 Portanto, a orientação espacial deles é importante. O mesmo vale para as imagens que captamos no LHC . À medida que uma partícula atravessa nosso detector, ela deixa uma assinatura de energia em padrões espaciais específicos para as diferentes partículas ”, explicou Childers.

Acrescente a isso a quantidade de dados codificados em não só as assinaturas, mas o 3 D espaço ao seu redor. Onde os exemplos tradicionais de aprendizado de máquina para reconhecimento de imagem – esses gatos, novamente – lidam com centenas de milhares de pixels, as imagens da ATLAS contêm centenas de milhões de pixels de detector.

Portanto, a idéia, disse ele, é tratar as imagens do detector como imagens tradicionais. Usando uma técnica de aprendizado de máquina chamado de redes neurais convolucionais – que aprender como os dados são espacialmente relacionadas – eles podem extrair o 3 D espaço para mais facilmente identificar características de partículas específicas.

Childers espera que esses algoritmos de aprendizado de máquina acabem substituindo os algoritmos tradicionais feitos à mão, reduzindo bastante o tempo necessário para processar quantidades semelhantes de dados, além de melhorar a precisão dos resultados medidos.

 Também podemos substituir o desenvolvimento de uma década necessário para novos detectores e reduzi-lo por novos modelos de treinamento para futuros detectores”, disse ele.

Um espaço maior

Os cosmólogos de Argonne estão usando métodos de aprendizado de máquina semelhantes para resolver problemas de classificação, mas em uma escala muito maior.

 O problema com a cosmologia é que os objetos que estamos vendo são complicados e confusos”, disse Salman Habib, diretor da divisão de ciência da computação de Argonne e vice-diretor interino da divisão de física de alta energia. Então, descrevendo dados de uma forma mais simples se torna muito difícil.”

Ele e seus colegas estão utilizando supercomputadores em Argonne e em outros laboratórios nacionais do DOE para reconstruir os detalhes do universo, galáxia por galáxia. Eles estão criando catálogos simulados de galáxias altamente detalhados que podem ser usados ​​para comparação com dados reais extraídos de telescópios de pesquisa, como o Large Synoptic Survey Telescope, uma parceria entre o DOE e a National Science Foundation.

Mas, para tornar esses ativos valiosos para os pesquisadores, eles devem estar o mais próximo possível da realidade.

Os algoritmos de aprendizado de máquina, disse Habib, são muito bons em escolher recursos que podem ser facilmente caracterizados pela geometria – como aqueles gatos. No entanto, semelhante ao aviso nos espelhos dos veículos, os objetos no céu nem sempre são o que parecem.

Veja o fenômeno das lentes gravitacionais fortes; a distorção de uma fonte de luz de fundo – uma galáxia ou um aglomerado de galáxias – por uma massa intermediária. A deflexão das trajetórias dos raios de luz da fonte devido à gravidade leva a uma distorção da forma, posição e orientação da fonte de fundo; essa distorção fornece informações sobre a distribuição de massa do objeto intermediário. A situação real de observação não é tão direta, no entanto.

Um blob completamente redondo com lente, por exemplo, pode parecer esticado em uma direção ou outra, enquanto um objeto redondo em forma de disco sem lente pode parecer elíptico se visto parcialmente na borda.

 Então, como você sabe se o objeto que está olhando não é um objeto redondo que foi girado ou que foi lente?” perguntou Habib. Estes são os tipos de coisas complicadas que a aprendizagem de máquina tem que ser capaz de descobrir.”

Para fazer isso, os pesquisadores criam uma amostra de treinamento de milhões de objetos com aparência realista, metade dos quais são lente. Os algoritmos de aprendizado de máquina realizam o trabalho de tentar aprender as diferenças entre os objetos lente e sem lente. Os resultados são verificados em relação a um conjunto conhecido de objetos sintéticos com e sem lente.

Mas os resultados contam apenas metade da história – quão bem os algoritmos funcionam nos dados de teste. Para aumentar ainda mais a precisão dos dados reais, os pesquisadores misturam uma porcentagem dos dados sintéticos com os dados observados anteriormente e executam os algoritmos, novamente, comparando o quão bem eles escolheram objetos com lentes na amostra de treinamento versus os dados da combinação.

 No final, você pode achar que está razoavelmente bem, mas talvez não tão bem quanto você deseja”, explicou Habib. Pode-se dizer‘ OK , esta informação por si só não vai ser suficiente, eu preciso coletar mais.’ É um processo bastante longo e complexo. ”

Dois objetivos principais da cosmologia moderna, disse ele, são entender por que a expansão do universo está se acelerando e qual é a natureza da matéria escura. A matéria escura é aproximadamente cinco vezes mais abundante que a matéria normal, mas sua origem final permanece misteriosa. Para se aproximar remotamente de uma resposta, a ciência deve ser muito deliberada, muito precisa.

 No estágio atual, não acho que possamos resolver todos os nossos problemas com aplicativos de aprendizado de máquina”, admitiu Habib. Mas eu diria que a aprendizagem de máquina será muito importante para todos os aspectos da cosmologia de precisão em um futuro próximo.”

À medida que as técnicas de aprendizado de máquina são desenvolvidas e refinadas, sua utilidade para a física de alta energia e a cosmologia certamente aumentará exponencialmente, fornecendo a esperança de novas descobertas ou novas interpretações que alteram nossa compreensão do mundo em várias escalas.

Deixe comentário

Seu endereço de e-mail não será publicado. Os campos necessários são marcados com *.