Los algoritmos de aprendizaje automático pueden vencer a los videojuegos más difíciles del mundo en minutos y resolver ecuaciones complejas más rápido que los esfuerzos colectivos de generaciones de físicos. Pero los algoritmos convencionales todavía tienen dificultades para identificar las señales de alto en una calle concurrida.

La identificación de objetos sigue obstaculizando el campo del aprendizaje automático, especialmente cuando las imágenes son multidimensionales y complicadas. como los que toman los detectores de partículas de las colisiones en los experimentos de física de alta energía. Sin embargo, una nueva clase de redes neuronales está ayudando a estos modelos a mejorar sus capacidades de reconocimiento de patrones, y la tecnología pronto se implementará en experimentos de física de partículas para optimizar el análisis de datos.

Este verano, Los físicos del Fermilab hicieron un avance en su esfuerzo por integrar redes neuronales gráficas en los sistemas experimentales. La científica Lindsey Gray actualizó el software que permite implementar estos algoritmos de vanguardia en datos del Gran Colisionador de Hadrones en el CERN. Por primera vez, estas redes se integrarán en experimentos de física de partículas para procesar los datos de los detectores directamente, abriendo las compuertas para un salto importante en la eficiencia que producirá una visión más precisa de los detectores actuales y futuros.

“Lo que hace una semana era solo un objeto de investigación, ahora es una herramienta ampliamente utilizable que podría transformar nuestra capacidad para analizar datos de experimentos de física de partículas, "Dijo Gray.

Su trabajo se centra inicialmente en el uso de redes neuronales gráficas para analizar datos del experimento CMS en el LHC, uno de los cuatro principales experimentos de física de partículas del colisionador.

Los programadores desarrollan redes neuronales para examinar montañas de datos en busca de una categoría o cantidad específica, por ejemplo, una señal de alto en una foto de una calle concurrida.

Las fotografías digitales normales son esencialmente una cuadrícula gigante de rojo, píxeles cuadrados verdes y azules. Después de haber recibido capacitación para reconocer cómo se ve una señal de alto, Las redes neuronales clásicas inspeccionan todo el bloque de píxeles para ver si el objetivo está presente o no. Este método es ineficaz, sin embargo, dado que los modelos tienen que procesar muchos elementos irrelevantes, ofuscar datos.

Los científicos informáticos han desarrollado nuevas clases de redes neuronales para mejorar este proceso, pero los algoritmos todavía luchan por identificar objetos en imágenes que son más complejas que una cuadrícula bidimensional de píxeles cuadrados.

Toma moléculas por ejemplo. Para determinar si una sustancia química es tóxica o no, los químicos tienen que localizar ciertas características como anillos de carbono y grupos carboxilo dentro de una molécula. Las fotografías de los productos químicos tomadas con máquinas de cromatografía de rayos X producen imágenes tridimensionales de átomos enlazados, que se ven ligeramente diferentes cada vez que se ven.

Dado que los datos no se almacenan en una cuadrícula cuadrada, Es difícil para las redes neuronales típicas aprender a identificar los compuestos tóxicos. Para evitar esto Los químicos han comenzado a emplear un nuevo conjunto de redes neuronales:redes neuronales gráficas, o GNN.

A diferencia de estas redes neuronales típicas, Los GNN pueden saber qué píxeles están conectados entre sí incluso si no están en una cuadrícula 2-D. Haciendo uso de los "bordes" entre los "nodos" de datos (en este caso, los enlaces entre los átomos), Estos modelos de aprendizaje automático pueden identificar los temas deseados de manera mucho más eficiente.

La visión de Gray es llevar estos modelos y su identificación de objetivos mejorada para agilizar el procesamiento de datos para las colisiones de partículas.

"Con una red neuronal gráfica, puede escribir un algoritmo de reconocimiento de patrones significativamente mejor para usarlo en algo tan complejo como los datos del acelerador de partículas porque tiene la capacidad de observar las relaciones entre todos los datos que ingresan para encontrar las partes más pertinentes de esa información, " él dijo.

La investigación de Gray se centra en la implementación de GNN en el calorímetro de alta granularidad del detector CMS, o HGCal. CMS toma miles de millones de imágenes de colisiones de alta energía cada segundo para buscar evidencia de nuevas partículas.

Un desafío del calorímetro es que recopila tantos datos, suficientes imágenes para llenar 20 millones de iPhones por segundo, que la gran mayoría debe desecharse debido a las limitaciones de espacio de almacenamiento. Los sistemas de activación de HGCal tienen que decidir en unas millonésimas de segundo qué partes de los datos son interesantes y deben guardarse. El resto se borra.

"Si tiene una red neuronal que puede optimizar para que se ejecute en un período de tiempo determinado, entonces puede tomar esas decisiones de manera más confiable. No te pierdas cosas y no guardas las cosas que realmente no necesitas, "dijo Kevin Pedro, otro científico del Fermilab que trabaja con Gray.

Los detectores HGCal recopilan mucha información diferente al mismo tiempo sobre interacciones de partículas, lo que produce unas imágenes muy complicadas.

"Estos datos tienen una forma extraña, tienen huecos aleatorios en ellos, y no están ni remotamente cerca de una cuadrícula contigua de cuadrados, "Dijo Gray." Ahí es donde entran los gráficos, porque te permiten simplemente saltarte todas las cosas sin sentido ".

En teoria, los GNN estarían capacitados para analizar las conexiones entre píxeles de interés y poder predecir qué imágenes se deben guardar y cuáles se pueden eliminar de manera mucho más eficiente y precisa. Sin embargo, debido a que esta clase de red neuronal es tan nueva para la física de partículas, todavía no es posible implementarlos directamente en el hardware de activación.

La red neuronal gráfica se adapta bien al HGCal de otra manera:los módulos del HGCal son hexagonales, una geometría que, aunque no es compatible con otros tipos de redes neuronales, funciona bien con GNN.

"Eso es lo que hace que este proyecto en particular sea un gran avance, ", dijo la directora de información de Fermilab, Liz Sexton-Kennedy." Demuestra el ingenio de Kevin y Lindsey:trabajaron en estrecha colaboración con los colegas que diseñaron el calorímetro, y pusieron en práctica su experiencia única en software para ampliar aún más las capacidades del experimento ".

Gray también logró escribir un código que amplía las capacidades de PyTorch, un marco de aprendizaje automático de código abierto ampliamente utilizado, para permitir que los modelos gráficos de redes neuronales se ejecuten de forma remota en dispositivos de todo el mundo.

"Anterior a eso, fue extremadamente torpe y tortuoso construir un modelo y luego implementarlo, "Gray dijo." Ahora que es funcional, simplemente envía datos al servicio, descubre la mejor manera de ejecutarlo, y luego se le enviará la salida ".

Gray y Pedro dijeron que esperan tener las redes neuronales gráficas en funcionamiento para cuando se reanude la Ejecución 3 del LHC en 2021. De esta manera, los modelos se pueden entrenar y probar antes de la actualización de alta luminosidad del colisionador, cuyas mayores capacidades de recopilación de datos harán que los GNN sean aún más valiosos.

Una vez que las redes estén funcionando en un solo lugar, Debería ser mucho más fácil hacerlos trabajar en otros experimentos en el laboratorio.

"Todavía puede aplicar todas las mismas cosas que estamos aprendiendo sobre redes neuronales de gráficos en HGCal a otros detectores en otros experimentos, "Gray dijo." La velocidad a la que estamos adoptando el aprendizaje automático en la física de alta energía ni siquiera está cerca de saturarse todavía. La gente seguirá encontrando más y más formas de aplicarlo ".