Las líneas de color representan las pistas de partículas calculadas de las colisiones de partículas que ocurren dentro del detector STAR del Laboratorio Nacional de Brookhaven en el Colisionador de Iones Pesados Relativista. y una ilustración de un cerebro digital. El resplandor amarillo-rojo en el centro muestra una simulación hidrodinámica de plasma de quark-gluón creado en colisiones de partículas. Crédito:Berkeley Lab
Las computadoras pueden vencer a los campeones de ajedrez, simular explosiones de estrellas, y pronosticar el clima global. Incluso les estamos enseñando a ser infalibles para resolver problemas y aprender rápido.
Y ahora, Los físicos del Laboratorio Nacional Lawrence Berkeley del Departamento de Energía (Berkeley Lab) y sus colaboradores han demostrado que las computadoras están listas para abordar los mayores misterios del universo. El equipo alimentó miles de imágenes de colisiones simuladas de partículas de alta energía para entrenar redes de computadoras para identificar características importantes.
Los investigadores programaron poderosas matrices conocidas como redes neuronales para que sirvieran como una especie de cerebro digital en forma de hivel para analizar e interpretar las imágenes de los restos de partículas simuladas que quedaron de las colisiones. Durante esta prueba, los investigadores encontraron que las redes neuronales tenían una tasa de éxito de hasta el 95 por ciento en el reconocimiento de características importantes en una muestra de aproximadamente 18, 000 imágenes.
El estudio aparece en la edición del 15 de enero de la revista Comunicaciones de la naturaleza .
El siguiente paso será aplicar el mismo proceso de aprendizaje automático a datos experimentales reales.
Los potentes algoritmos de aprendizaje automático permiten que estas redes mejoren su análisis a medida que procesan más imágenes. La tecnología subyacente se utiliza en el reconocimiento facial y otros tipos de aplicaciones de reconocimiento de objetos basadas en imágenes.
Las imágenes utilizadas en este estudio, relevantes para los experimentos de física nuclear del colisionador de partículas en el Colisionador de Iones Pesados Relativista del Laboratorio Nacional Brookhaven y el Gran Colisionador de Hadrones del CERN, recrean las condiciones de una sopa de partículas subatómicas, “que es un estado fluido supercaliente conocido como plasma de quark-gluón que se cree que existe apenas una millonésima de segundo después del nacimiento del universo. Los físicos del Berkeley Lab participan en experimentos en ambos sitios.
"Estamos tratando de conocer las propiedades más importantes del plasma de quark-gluones, "dijo Xin-Nian Wang, un físico nuclear de la División de Ciencias Nucleares del Berkeley Lab que es miembro del equipo. Algunas de estas propiedades son tan efímeras y ocurren a escalas tan pequeñas que permanecen envueltas en un misterio.
En experimentos, Los físicos nucleares utilizan colisionadores de partículas para aplastar núcleos pesados, como átomos de oro o plomo que están despojados de electrones. Se cree que estas colisiones liberan partículas dentro de los núcleos de los átomos, formando un fugaz, Bola de fuego de escala subatómica que descompone incluso los protones y neutrones en una forma flotante de sus bloques de construcción típicamente unidos:quarks y gluones.
Los investigadores esperan que al conocer las condiciones precisas bajo las cuales se forma este plasma de quark-gluón, como cuánta energía se acumula, y su temperatura y presión a medida que pasa a un estado fluido, obtendrán nuevos conocimientos sobre las partículas de materia que los componen y sus propiedades, y sobre las etapas formativas del universo.
Pero las mediciones exactas de estas propiedades, la llamada "ecuación de estado" involucrada cuando la materia cambia de una fase a otra en estas colisiones, ha demostrado ser un desafío. Las condiciones iniciales de los experimentos pueden influir en el resultado, por lo que es un desafío extraer mediciones de ecuaciones de estado que sean independientes de estas condiciones.
El diagrama de la izquierda, que mapea la distribución de partículas en una colisión simulada de iones pesados de alta energía, incluye detalles sobre el momento y los ángulos de las partículas. Se utilizaron miles de estas imágenes para entrenar y probar una red neuronal para identificar características importantes en las imágenes. A la derecha, una red neuronal utilizó la colección de imágenes para crear este "mapa de importancia":los colores más claros representan áreas que se consideran más relevantes para identificar la ecuación de estado de la materia quark-gluón creada en las colisiones de partículas. Crédito:Berkeley Lab
"En la comunidad de la física nuclear, el santo grial es ver las transiciones de fase en estas interacciones de alta energía, y luego determinar la ecuación de estado a partir de los datos experimentales, "Dijo Wang." Esta es la propiedad más importante del plasma de quark-gluón que todavía tenemos que aprender de los experimentos ".
Los investigadores también buscan información sobre las fuerzas fundamentales que gobiernan las interacciones entre quarks y gluones, lo que los físicos denominan cromodinámica cuántica.
Long-Gang Pang, el autor principal del último estudio e investigador postdoctoral afiliado a Berkeley Lab en UC Berkeley, dijo que en 2016, mientras era becario postdoctoral en el Instituto de Estudios Avanzados de Frankfurt, se interesó en el potencial de la inteligencia artificial (IA) para ayudar a resolver problemas científicos desafiantes.
Vio esa forma de IA, conocida como una red neuronal convolucional profunda, con una arquitectura inspirada en los procesos de manejo de imágenes en el cerebro de los animales, parecía ser una buena opción para analizar imágenes relacionadas con la ciencia.
"Estas redes pueden reconocer patrones y evaluar las posiciones del tablero y los movimientos seleccionados en el juego de Go, "Dijo Pang." Pensamos, 'Si tenemos algunos datos científicos visuales, tal vez podamos obtener un concepto abstracto o información física valiosa de esto '".
Wang agregó, "Con este tipo de aprendizaje automático, estamos tratando de identificar cierto patrón o correlación de patrones que es una firma única de la ecuación de estado ". Entonces, después del entrenamiento, la red puede identificar por sí misma las porciones y las correlaciones en una imagen, si existe alguno, que son más relevantes para el problema que los científicos están tratando de resolver.
La acumulación de datos necesarios para el análisis puede ser muy intensiva desde el punto de vista computacional, Pang dijo:y en algunos casos se necesitó aproximadamente un día completo de tiempo de computación para crear una sola imagen. Cuando los investigadores emplearon una serie de GPU que funcionan en paralelo (las GPU son unidades de procesamiento de gráficos que se crearon por primera vez para mejorar los efectos de los videojuegos y desde entonces se han multiplicado en una variedad de usos), redujeron ese tiempo a unos 20 minutos por imagen.
Utilizaron recursos informáticos del Centro Nacional de Computación Científica de Investigación Energética (NERSC) de Berkeley Lab en su estudio, con la mayor parte del trabajo de computación enfocado en clústeres de GPU en GSI en Alemania y Central China Normal University en China.
Un beneficio de utilizar sofisticadas redes neuronales, los investigadores anotaron, es que pueden identificar características que ni siquiera se buscaron en el experimento inicial, como encontrar una aguja en un pajar cuando ni siquiera la estabas buscando. Y pueden extraer detalles útiles incluso de imágenes borrosas.
"Incluso si tienes una resolución baja, todavía puede obtener información importante, "Dijo Pang.
Ya se están llevando a cabo debates para aplicar las herramientas de aprendizaje automático a los datos de experimentos reales de colisión de iones pesados. y los resultados simulados deberían ser útiles para entrenar redes neuronales para interpretar los datos reales.
"Habrá muchas aplicaciones para esto en la física de partículas de alta energía, "Wang dijo, más allá de los experimentos con colisionadores de partículas.
