Wetenschap
AI zal dienen om een netwerkcontrolesysteem te ontwikkelen dat niet alleen problemen detecteert en erop reageert, maar ze ook kan voorspellen en vermijden. Krediet:CC0 Publiek Domein
Wetenschappers van de Higher School of Economics en Yandex hebben een methode ontwikkeld die de simulatie van processen bij de Large Hadron Collider (LHC) versnelt. De onderzoeksresultaten zijn gepubliceerd in Onderzoek naar kerninstrumenten en natuurkunde Sectie A:versnellers, Spectrometers, Detectoren en bijbehorende apparatuur .
Experimenten in de hoge-energiefysica vereisen werken met big data. Bijvoorbeeld, bij de LHC, elke seconde vinden er miljoenen botsingen plaats, en detectoren registreren deze deeltjes en bepalen hun eigenschappen. Maar om een nauwkeurige analyse van experimentele gegevens te krijgen, het is noodzakelijk om te weten hoe de detector reageert op bekende deeltjes. Typisch, dit gebeurt met behulp van speciale software die is geconfigureerd voor de geometrie en fysica van een bepaalde detector.
Dergelijke pakketten geven een vrij nauwkeurige beschrijving van de reactie van het medium op de passage van geladen deeltjes, maar de snelheid waarmee elke gebeurtenis wordt gegenereerd, kan erg traag zijn. Vooral, de simulatie van de enkele LHC-gebeurtenis kan enkele seconden duren. Aangezien miljoenen geladen deeltjes elke seconde in de versneller zelf botsen, een exacte beschrijving wordt ontoegankelijk.
Onderzoekers van HSE en de Yandex Data Analysis School konden de simulatie versnellen met behulp van Generative Adversarial Networks. Deze bestaan uit twee neurale netwerken die met elkaar concurreren tijdens competitieve training. Deze trainingsmethode wordt gebruikt, bijvoorbeeld, om foto's te maken van mensen die niet bestaan. Het ene netwerk leert beelden te creëren die lijken op de werkelijkheid, en de andere probeert verschillen te vinden tussen kunstmatige en reële representaties.
"Het is verbazingwekkend hoe methoden die zijn ontwikkeld om realistische foto's van katten te maken, ons in staat stellen om fysieke berekeningen met verschillende ordes van grootte te versnellen, " merkt Nikita Kaseev op, een doctoraat student aan HSE en co-auteur van de studie.
De onderzoekers trainden generatieve competitieve netwerken om het gedrag van geladen elementaire deeltjes te voorspellen. De resultaten toonden aan dat fysieke verschijnselen zeer nauwkeurig kunnen worden beschreven met behulp van neurale netwerken.
"Het gebruik van generatieve competitieve netwerken om snel detectorgedrag te simuleren, zal toekomstige experimenten zeker helpen, " zegt Dennis Derkach, Universitair docent aan de Faculteit Informatica en co-auteur van de studie. "Eigenlijk, we gebruikten de modernste trainingsmethoden die beschikbaar zijn in data science en onze kennis van de fysica van detectoren. De diversiteit van ons team, die bestond uit datawetenschappers en fysicus, maakte het ook mogelijk."
Wetenschap © https://nl.scienceaq.com