FoodPro Preloader

Kunstig intelligens ringte inn for å takle LHC Data Deluge


En del av LHC. Den neste generasjonen av partikkel-kollider-eksperimenter vil inneholde noen av verdens mest avanserte tankeapparater, hvis koblinger som nå blir smidd mellom partikkelfysikere og kunstig intelligensforskere tar av. Slike maskiner kan gjøre funn med lite menneskelig innspilling - et prospekt som gjør noen fysikere dumme. D

En del av LHC.

Den neste generasjonen av partikkel-kollider-eksperimenter vil inneholde noen av verdens mest avanserte tankeapparater, hvis koblinger som nå blir smidd mellom partikkelfysikere og kunstig intelligensforskere tar av. Slike maskiner kan gjøre funn med lite menneskelig innspilling - et prospekt som gjør noen fysikere dumme.

Drevet av en iver for å lage funn og kunnskap om at de vil bli truffet med uhåndterlige datamengder om ti år, er fysikere som arbeider på Large Hadron Collider (LHC), nær Genève, Sveits, i hjelp av AI-eksperter .

Den 9.-13. November deltok ledende lys fra begge samfunn på et verksted - den første av sitt slag - hvor de diskuterte hvordan avanserte AI-teknikker kunne fremskynde funn på LHC. Partikkelfysikere har "innsett at de ikke kan gjøre det alene", sier Cécile Germain, datavitenskapsmann ved University of Paris South i Orsay, som snakket på workshoppen ved CERN, partikkelfysikklabben som vert for LHC.

Datavennere reagerer i kjør. I fjor bidro Germain til å organisere en konkurranse for å skrive programmer som kunne "oppdage" spor av Higgs boson i et sett med simulerte data; det tiltok innleveringer fra mer enn 1700 lag.

Partikkelfysikk er allerede ikke fremmed for AI. Spesielt når ATLAS og CMS, LHCs to største eksperimenter, oppdaget Higgs boson i 2012, gjorde de det delvis ved hjelp av maskinlæring - en form for AI som "togalgoritmer" til å gjenkjenne mønstre i data. Algoritmene ble primet ved bruk av simuleringer av ruskene fra partikkelkollisjoner, og lærte å få øye på mønstrene produsert av forfall av sjeldne Higgs-partikler blant millioner av mer dagligdags hendelser. De ble deretter satt på jobb på den virkelige tingen.

Men i nær fremtid må forsøkene bli smartere når de samler inn data, og ikke bare behandler det. CMS og ATLAS produserer i dag hundrevis av millioner kollisjoner per sekund, og bruker raske og skitne kriterier for å ignorere alt annet enn 1 av 1000 hendelser. Oppgraderinger planlagt i 2025 betyr at antallet kollisjoner vil vokse 20 ganger, og at detektorene må bruke mer sofistikerte metoder for å velge hva de beholder, sier CMS fysiker María Spiropulu fra California Institute of Technology i Pasadena, som bidro til å organisere CERN-verkstedet. "Vi går inn i det ukjente, " sier hun.

Inspirasjon kan komme fra et annet LHC-eksperiment, LHCb, som er dedikert til å studere subtile asymmetrier mellom partikler og deres antimatter-kolleger. Som forberedelse til den andre, høyere energikjeden av LHC, som startet i april, programmerte LHCb-teamet sin detektor for å bruke maskinlæring for å bestemme hvilke data som skal holdes.

LHCb er følsom overfor små variasjoner i temperatur og trykk, så hvilke data som er interessante, endrer seg i løpet av eksperimentet, noe som maskinlæring kan tilpasse seg til i sanntid. "Ingen har gjort dette før, " sier Vladimir Gligorov, en LHCb-fysiker ved CERN som ledet AI-prosjektet.

Partikkelfysikkforsøk tar vanligvis måneder å kalibrere etter en oppgradering, sier Gligorov. Men innen to uker etter energioppgraderingen, hadde detektoren "gjenoppdaget" en partikkel som kalles J / Ψ meson-først funnet i 1974 av to separate amerikanske eksperimenter, og senere ansett som verdig til en nobelpris.

I de kommende årene vil CMS og ATLAS trolig følge i LHCbs fotspor, sier Spiropulu og andre, og vil gjøre detektoralgoritmene gjøre mer arbeid i sanntid. "Det vil revolusjonere hvordan vi gjør dataanalyse, " sier Spiropulu.

Økt tillit til AI-beslutningsprosessen vil gi nye utfordringer. I motsetning til LHCb, som hovedsakelig fokuserer på å finne kjente partikler, slik at de kan studeres i detalj, er ATLAS og CMS designet for å oppdage nye partikler. Ideen om å kaste bort data som i prinsippet kan inneholde store funn, ved bruk av kriterier som algoritmer oppnådd på en ikke-gjennomsiktig måte, forårsaker angst for mange fysikere, sier Germain. Forskere vil forstå hvordan algoritmen fungerer og for å sikre at de er basert på fysikkprinsipper, sier hun. "Det er et mareritt for dem."

Foresatte av tilnærmingen må også overbevise sine kolleger om å forlate prøvde og testede teknikker, sier Gligorov. "Dette er store samarbeid, så for å få en ny metode godkjent, tar det universets alder." LHCb har om lag 1000 medlemmer; ATLAS og CMS har omtrent 3000 hver.

Til tross for disse utfordringene var det mest omdiskuterte spørsmålet på verkstedet om og hvordan partikkelfysikk skal benytte seg av enda mer sofistikert AI, i form av en teknikk som kalles dyp læring. Grunnleggende maskinlæringsalgoritmer blir trent med eksempeldata som bilder, og "fortalt" hva hvert bilde viser - et hus mot en katt, sier. Men i dyp læring, som brukes av programvare som Google Translate og Apples stemmeinnkjenningssystem Siri, mottar datamaskinen vanligvis ikke noe slikt tilsyn, og finner måter å kategorisere objekter på egenhånd.

Selv om de understreket at de ikke ville være behagelige å overgi dette nivået av kontroll til en algoritme, diskuterte flere høyttalere på CERN-verkstedet hvor dyp læring kunne brukes til fysikk. Pierre Baldi, en forsker ved Universitetet i California, Irvine, som har søkt maskinlæring til ulike grener av vitenskap, beskrev hvordan han og hans medarbeidere har gjort forskning som tyder på at en dyp læringsteknikk kjent som mørk kunnskap kan hjelpe til søket etter mørkt materie.

Dyp læring kan til og med føre til oppdagelsen av partikler som ingen teoretiker ennå har spådd, sier CMS-medlem Maurizio Pierini, en fysisk fakultet fra CERN, som var medarbeider for verkstedet. "Det kan være en forsikring, bare hvis teoretikeren som gjorde den riktige prediksjonen, ikke er født enda."

Denne artikkelen er reprodusert med tillatelse og ble først publisert 1. desember 2015.

Kreftvaksin: Ser utover tumorstørrelseHvorfor kom orkanen Michael opp til kategori 4 så fort?Astronomer Overrasket av Stor Space Rock Mindre Tett enn VannPrediktiv modellering advarer drivere en time før syltetøy forekommerBruk det og miste det: Det påvirker effekten av amerikansk forbruk på miljøetShock-Wave Showdown i det gamle vestenTordenvær hjelper med å bringe ozon ned til jordenElastisk klutmateriale gjør objekter "utilgjengelige"