Computers kunnen schaakkampioenen verslaan, sterexplosies simuleren, en het wereldwijde klimaat voorspellen. We leren ze zelfs onfeilbare probleemoplossers en snelle leerlingen te zijn.

En nu, natuurkundigen van het Lawrence Berkeley National Laboratory van het Department of Energy (Berkeley Lab) en hun medewerkers hebben aangetoond dat computers klaar zijn om de grootste mysteries van het universum aan te pakken. Het team heeft duizenden afbeeldingen van gesimuleerde botsingen met hoogenergetische deeltjes ingevoerd om computernetwerken te trainen om belangrijke kenmerken te identificeren.

De onderzoekers programmeerden krachtige arrays die bekend staan ​​als neurale netwerken om te dienen als een soort bijenkorfachtig digitaal brein bij het analyseren en interpreteren van de beelden van de gesimuleerde deeltjesresten die overblijven van de botsingen. Tijdens deze test ontdekten de onderzoekers dat de neurale netwerken tot 95 procent succes hadden bij het herkennen van belangrijke kenmerken in een steekproef van ongeveer 18, 000 afbeeldingen.

De studie werd op 15 januari gepubliceerd in het tijdschrift Natuurcommunicatie .

De volgende stap is om hetzelfde machine learning-proces toe te passen op feitelijke experimentele gegevens.

Dankzij krachtige algoritmen voor machine learning kunnen deze netwerken hun analyse verbeteren naarmate ze meer afbeeldingen verwerken. De onderliggende technologie wordt gebruikt in gezichtsherkenning en andere soorten op afbeeldingen gebaseerde objectherkenningstoepassingen.

De afbeeldingen die in dit onderzoek zijn gebruikt - relevant voor de kernfysica-experimenten van deeltjesversneller in Brookhaven National Laboratory's Relativistic Heavy Ion Collider en CERN's Large Hadron Collider - bootsen de omstandigheden na van een subatomaire deeltjessoep, " wat een superhete vloeibare toestand is die bekend staat als het quark-gluon-plasma waarvan wordt aangenomen dat het slechts een miljoenste van een seconde na de geboorte van het universum bestaat. Natuurkundigen van Berkeley Lab nemen deel aan experimenten op beide locaties.

"We proberen meer te weten te komen over de belangrijkste eigenschappen van het quark-gluon-plasma, " zei Xin-Nian Wang, een kernfysicus in de Nuclear Science Division van Berkeley Lab die lid is van het team. Sommige van deze eigenschappen zijn zo kortstondig en komen voor op zulke kleine schalen dat ze in nevelen gehuld blijven.

Bij experimenten, kernfysici gebruiken deeltjesversneller om zware kernen tegen elkaar te slaan, zoals goud- of loodatomen die zijn ontdaan van elektronen. Aangenomen wordt dat deze botsingen deeltjes in de kernen van de atomen vrijmaken, het vormen van een vluchtige, vuurbal op subatomaire schaal die zelfs protonen en neutronen afbreekt tot een vrij zwevende vorm van hun typisch gebonden bouwstenen:quarks en gluonen.

Onderzoekers hopen dat door de precieze omstandigheden te leren waaronder dit quark-gluon-plasma wordt gevormd, zoals hoeveel energie is verpakt in, en zijn temperatuur en druk als het overgaat in een vloeibare toestand, ze zullen nieuwe inzichten krijgen over de samenstellende deeltjes van materie en hun eigenschappen, en over de vormende stadia van het universum.

Maar veeleisende metingen van deze eigenschappen - de zogenaamde "toestandsvergelijking" die betrokken is bij het veranderen van de ene fase naar de andere bij deze botsingen - zijn een uitdaging gebleken. De beginomstandigheden in de experimenten kunnen de uitkomst beïnvloeden, dus het is een uitdaging om toestandsvergelijkingsmetingen te extraheren die onafhankelijk zijn van deze omstandigheden.

"In de kernfysische gemeenschap, de heilige graal is om faseovergangen te zien in deze hoogenergetische interacties, en bepaal vervolgens de toestandsvergelijking uit de experimentele gegevens, " zei Wang. "Dit is de belangrijkste eigenschap van het quark-gluonplasma dat we nog moeten leren van experimenten."

Onderzoekers zoeken ook inzicht in de fundamentele krachten die de interacties tussen quarks en gluonen bepalen, wat natuurkundigen kwantumchromodynamica noemen.

Long-Bende Pang, de hoofdauteur van de laatste studie en een aan Berkeley Lab gelieerde postdoctoraal onderzoeker aan UC Berkeley, zei dat in 2016 terwijl hij een postdoctoraal onderzoeker was aan het Frankfurt Institute for Advanced Studies, hij raakte geïnteresseerd in het potentieel van kunstmatige intelligentie (AI) om uitdagende wetenschappelijke problemen op te lossen.

Hij zag die ene vorm van AI, bekend als een diep convolutief neuraal netwerk - met architectuur geïnspireerd op de beeldverwerkingsprocessen in dierenhersenen - leek goed geschikt voor het analyseren van wetenschapsgerelateerde afbeeldingen.

"Deze netwerken kunnen patronen herkennen en bordposities en geselecteerde bewegingen in het spel van Go evalueren, ' zei Pang. 'We dachten, 'Als we wat visuele wetenschappelijke gegevens hebben, misschien kunnen we hier een abstract concept of waardevolle fysieke informatie uit halen.'"

Wang heeft toegevoegd, "Met dit soort machine learning, we proberen een bepaald patroon of correlatie van patronen te identificeren dat een unieke handtekening is van de toestandsvergelijking." Dus na de training, het netwerk kan zelf de delen van en correlaties in een afbeelding lokaliseren, als die er zijn, die het meest relevant zijn voor het probleem dat wetenschappers proberen op te lossen.

Het verzamelen van gegevens die nodig zijn voor de analyse kan zeer rekenintensief zijn, Pang zei, en in sommige gevallen kostte het ongeveer een volledige dag computertijd om slechts één afbeelding te maken. Toen onderzoekers een reeks GPU's gebruikten die parallel werken - GPU's zijn grafische verwerkingseenheden die voor het eerst werden gemaakt om de effecten van videogames te verbeteren en sindsdien zijn geëxplodeerd in een verscheidenheid aan toepassingen - verkortten ze die tijd tot ongeveer 20 minuten per afbeelding.

Ze gebruikten computerbronnen in het National Energy Research Scientific Computing Center (NERSC) van Berkeley Lab in hun onderzoek, waarbij het meeste computerwerk gericht was op GPU-clusters bij GSI in Duitsland en de Central China Normal University in China.

Een voordeel van het gebruik van geavanceerde neurale netwerken, merkten de onderzoekers op, is dat ze functies kunnen identificeren die niet eens werden gezocht in het eerste experiment, als het vinden van een speld in een hooiberg terwijl je er niet eens naar op zoek was. En ze kunnen zelfs uit vage afbeeldingen nuttige details extraheren.

"Zelfs als je een lage resolutie hebt, u kunt nog steeds belangrijke informatie krijgen, ' zei Pang.

Er zijn al besprekingen gaande om de machine learning-tools toe te passen op gegevens van echte botsingsexperimenten met zware ionen, en de gesimuleerde resultaten zouden nuttig moeten zijn bij het trainen van neurale netwerken om de echte gegevens te interpreteren.

"Er zullen veel toepassingen hiervoor zijn in de hoge-energiedeeltjesfysica, "Wan zei, verder dan de deeltjesversneller-experimenten.