Specjalne algorytmy i uczenie maszynowe wspierają fizyków, aby nie ugrzęźli w nieskończonej ilości danych. Naukowcy z Politechniki Warszawskiej uczą ALICE, czyli jedną z olbrzymich maszyn znajdujących się w CERN, zwracania uwagi tylko na interesujące badaczy przypadki zderzeń cząstek.
Wielki Zderzacz Hadronów (LHC, Large Hadron Collider) to największe na świecie urządzenie badawcze. Ta umieszczona pod ziemią i mierząca 27 kilometrów maszyna, należy do Europejskiej Organizacji Badań Jądrowych CERN – ośrodka naukowo-badawczego mieszczącego się na granicy Szwajcarii i Francji. Cały czas dostarcza niezliczoną ilość informacji. Tylko jeden eksperyment ALICE (A Large Ion Collider Experiment, Wielki Eksperyment Zderzacza Jonów), szukający kluczowych odpowiedzi w kwestii cząstek dziwnych, wytwarza w każdej sekundzie ponad 3 Terabajty danych pomiarowych. Nic więc dziwnego, że nie jest łatwo wśród nich znaleźć przypadki nadające się do dalszej analizy i nie poddające się dotychczas znanym prawom fizyki.
Uczenie maszynowe na pomoc fizykom z CERN
Profesor Tomasz Trzciński, kierujący pracami zespołu ds. uczenia maszynowego w Instytucie Informatyki na Wydziale Elektroniki i Technik Informacyjnych PW, powiedział, że „jeśli chcemy szybciej poznać tajemnice Wszechświata, to musimy nauczyć maszyny pomagać fizykom, aby nie ugrzęźli w nieskończonej ilości danych. Wykorzystując opracowane przez nas algorytmy sprawimy, że ALICE będzie zwracać uwagę tylko na interesujące naukowców przypadki. Są to przypadki, które powodują rozdźwięk pomiędzy obserwacjami a znanymi modelami teoretycznymi. Aby je wskazać, musimy jednak znać rezultaty uzyskiwane przez modele teoretyczne, a ich symulowanie wymaga aktualnie ogromnych mocy obliczeniowych”.
Zespół profesora Trzcińskiego skupiał się głównie na wykrywaniu anomalii podczas zachodzących zderzeń. Prace mają również na celu zautomatyzowanie procesu identyfikacji typu cząstek i analizy jakości danych. Wykorzystano oczywiście uczenie maszynowe, ale naukowcy musieli opracować nowe metody. W tym celu wykorzystali sztuczne sieci neuronowe, ale także klasyczne metody takie, jak maszyny wektorów nośnych czy lasy losowe. Okazało się, że aż 75% wszystkich zdarzeń maszyna może sama przeanalizować. I uzyskać precyzję wyników na poziomie większym niż 95%.
To nie wszystko, co naukowcy z Wydziału Elektroniki i Technik Informacyjnych oraz Wydziału Fizyki Politechniki Warszawskiej, pod kierownictwem doktora inżyniera Łukasza Graczykowskiego, zaprojektowali na potrzeby CERN. Opracowali również metody szybszej symulacji zderzeń, niezbędnych do analiz fizycznych, jak również do kontroli jakości danych i poprawnego ustawienia detektorów. Rozwiązania, które były dotychczas stosowane, mogą być skutecznie zastąpione przez modele generatywne. Zostały one zaimplementowane m.in. przez doktorantów Kamila Deję oraz Jana Dubińskiego przy użyciu sztucznej sieci neuronowej, a więc jednej z najpopularniejszych metod wykorzystywanej w uczeniu maszynowym.
Rozwiązania zostaną wykorzystane także podczas zająć z uczniami
Profesor Jarosław Arabas, dyrektor Instytutu Informatyki WEiTI PW, powiedział, że „oprócz rozwiązań opracowanych z myślą o zwiększeniu efektywności wykonywania codziennych zadań techników i naukowców pracujących przy Wielkim Zderzaczu Hadronów, nasze propozycje dotyczą również popularyzacji otrzymywanych wyników”. Dodał też, że „nowe sposoby wizualizacji danych, oparte o technologie Virtual Reality (VR), wykorzystywane są już podczas zajęć z uczniami z całego świata w ramach CERN Physic MasterClass. Za tymi pracami stoi zespół wywodzący się z Zakładu Grafiki Komputerowej Instytutu, kierowany przez profesora Przemysława Rokitę, inicjatora współpracy Instytutu Informatyki z CERN i wieloletniego członka ALICE”.
Uczenie maszynowe i specjalne algorytmy pojawiają się niemal w każdej dziedzinie naszego życia i są w stanie nam pomóc w coraz większej ilości zadań – w wielu przypadkach nawet ratując życie. Pisaliśmy o tym wielokrotnie na naszym blogu, na przykład w tekście „Algorytm pomaga wykryć niewydolność serca z miesięcznym wyprzedzeniem”.
Źródło: Nauka w Polsce PAP