跳到主要内容

话题

数学和计算

数学和计算

AI和粒子物理学:强大的伙伴关系

12 May 2021 泰山委员会
从5月2021号问题中获取 物理世界。物理研究所成员可以享受全部问题 通过这一点 物理世界 app.

实验颗粒物理学家 杰西卡·斯库尔 探讨人工智能与粒子物理学之间的有益合作,这是推进两个领域的

Illustration of a 140 part per billion error

作为一个邮政编码 费米国家加速器实验室(Fermilab),我有兴趣了解我们有很长的历史历史,实现神经网络,是AI子集,粒子物理数据。 1990年5月,当我有两岁的时候,专注于分类老麦当劳农场的各种动物的声音, 物理学家布鲁斯丹比 托管了这一点 高能物理学家的神经网络教程 会议。快进至2016年,我们看到了第一个粒子物理合作, Nova Neutrino探测器,发布工作( j 11 P09001)使用“卷积神经网络”(CNNS) - 一种基于人类视觉系统的图像识别神经网络类型。我自己的研究生研究“使用卷积神经网络的μ子/沟分离,为微硼酮充电电流包容性横截面测量”(DOI:10.2172 / 1437290)发布于2018年,也有CNN。

在过去的三十年中,粒子物理界已经欢迎张开武器的AI。实际上,高能量物理学家 Matthew Feichert.本杰明纳哈曼 建立了所有粒子物理研究的集合,用于利用机器学习(ML)算法 - 对粒子物理学机器学习的生活回顾 - 现在包含超过350篇论文。 ML算法也被应用于粒子识别,来自Cern的大型强子撞器的巨大探测器,所述核探测器在核心到中微生物实验,包括Nova和Microboone。实际上,Nova实施的ML算法实际改善了它的实验可比,如果已经收集了30%的数据。

但是AI在粒子物理中的好处不会停止那里。我们使用粒子交互模拟来开发数据分析工具,例如跟踪和校准,以及比较粒子物理标准模型内的互动的理论模型。通过实施AI的模型优化,并使用“仪表对称性的知识”,马萨诸塞州理工学院物理学家Phiala Shanaha的效率和数值计算的精度显着增加了( 物理。 rev. lett。 125 121601 )。

反过来,艾也有利于粒子物理界。 CNNS在2D空间中的图案识别非常擅长,但在更高的尺寸下摇摇欲坠。帮助CNNS检测3D形状的像素,例如球形和其他弯曲表面, 阿姆斯特丹大学的Taco Cohen 和同事建立了一个新的理论 “衡量标准”CNN框架 这可以识别任何类型的几何表面上的模式。仪表CNN通过编码仪表协方差来解决2D-3D问题,粒子物理学中的标准理论假设。这在AI和粒子物理学之间进行了扩展的伙伴关系,这两个领域都受益匪浅。

使用ai的缺点是什么?

许多已经开发出关注点预测的ML算法。当您训练神经网络时,它将数据点映射到其关联的标签。通过此培训,创建了一个广义预测器,其可以在训练集外的数据点上使用。例如,假设我们有一个数据样本和相关标签。图像将是我的x dataset,来自x1 to Xn 并且标签将是我的Y DataSet,来自Y1 to Yn。在培训神经网络之后,我们有一个已经学会映射到y的预测格。然后我们可以在任何DataPoint X上使用此预测n+1和预测yn+1 将被制作。预测的问题是我们猜测xn+1 是,但我们没有得到这种猜测的量化不确定性。能够计算粒子物理学中的不确定性至关重要。例如,在我目前正在努力的Muon G-2实验上,我们正试图测量Muon的磁矩,只有140亿个误差。这就像7128的谜题,每个拼图每个都有1000件,只有一个缺少拼图的拼图。

我们在量化不确定性方面的专业知识可能对AI社区有很大的利益,就像他们在建筑物AI架构的专业知识对我们有用时。当前关于预测的不确定性在AI社区中已经变得越来越普遍,因为种族主义人员PAS,如Google Images标记为Gorillas的谷歌图片标记照片,而技术集团尚未实施这一点问题。将不确定性实施到预测标签,如标签“大猩猩”,可能会潜在地阻止这种错误标记。最近在量化不确定性的尝试正在进行中,例如工作 统计学家Rina Barber. 和同事,火车 N 预测器,具有从训练数据集中删除一个数据点的每个预测器(安。统计数据。 49 486)。这种不确定量化方法是计算昂贵的,但粒子物理学家是导航大数据集的专家。由于我们对AI工具的不确定性实施有既得利益,我们可能有深入了解如何优化此类算法。

颗粒物理学家使用AI的另一个缺点,如查尔斯·棕色,我写在一个 在线文章 物理世界 last year,关于我们在AI的工作的影响缺乏道德讨论可能对社会有所作为。粒子 - 物理社区很容易相信我们所做的研究和我们开发的工具只用于粒子物理研究,当历史上看,我们已经看到了时间和时间 - 成为曼哈顿项目或世界宽网络的发展 - 我们所做的工作整体翻译成社会。随着美国理论宇宙学家Chanda Prescod-Weinstein所说,“我谈论融入一个科学文化,以接受死亡的生产作为切向,必要的邪恶,以获得资金。一个将为科学3月份的人而不询问科学为或最边缘化的人做什么。一个仍然没有向其从业者教导道德或关键历史的人。“

不仅存在使用AI在粒子物理中使用AI的实际缺点,如量化的不确定性,在没有关于它们的道德含义的道德含义的情况下,在没有对话的情况下聚焦我们的集体智力,我们冒着对边缘化的压迫的风险在全球范围内。

A MicroBooNE neutrino data event

您如何在研究中使用AI?

我的研究生研究使用CNN来分类中微子 - 氩相互作用,称为带电 - 流中微子相互作用。该信号的特征在于多轨的共同发射点(称为顶点),其中一个是由μ子粒子制成的相对长的轨道。在低能量下污染该信号的背景是中性电流的中微子相互作用,其中长轨道由孔颗粒制成。在我的工作之前,将该信号从背景分开的唯一方法是施加75厘米的轨道长度,这是磁盘停止距离(见上面的图像)。我的研究侧重于训练CNN上的CNN和磁共振数据,以便在从背景中分离信号,以恢复标准75cm轨道长度下方的带电电流中的中微子相互作用。我现在正在努力开发AI算法,以便更好地存储和优化 MUON G-2实验,最近击中了标题,用于显示μ磁矩的预测和测量值之间的视差.

在未来,粒子物理学的特定领域将是最有用的,最重要的是向前移动?

2020年8月 美国能源部(DOE)致力于3700万美元的资金,以支持AI和ML的研发 处理DOE科学设施的数据和运营的方法,包括高能量物理站点。这项新的投资完全突出了AI和粒子物理的联盟,我感受到这种婚姻将遭受时间考验。在Fermilab,现场有九个粒子加速器,每个粒子加速器都有无数的子系统,数据输出需要实时监控,以确保许多实验合作接收回答我们这一代最大问题所需的数据。

因为费尔米尔走向发展 质子改善计划II一致巩固数十万个子系统的监测,增加加速器运行时间,提高每个粒子加速器的质量 - 通过AI成为推动所有这一切的动力。 “不同的加速器系统执行不同的功能,我们希望理想地追踪一个系统,理想情况下,”Fermilab工程师Bill Celico说。 “一个可以自行学习的系统将不会解开网络并给运营商信息,他们可以在发生之前捕获失败。”

AI不仅有能力改进数据收集和处理,而且这些算法也可用于在系统故障之前提醒潜在问题的加速器运算符,从而增加波束上升时间。除了改进的粒子加速器监测之外,AI将在存储和分析来自下一波粒子探测器的数据时变得至关重要,例如 深层地下中微子实验,这将每年产生超过30个PB的数据,相当于300年的高清电影。这些数字甚至都不考虑到来自SuperNova事件的大规模数据浪涌,如果是一个超新星事件,应该被捕获。在未来几十年中,AI算法无疑将在粒子物理学中的数据处理和分析中处于领先地位。

版权©2021由IOP Publishing Ltd和个人贡献者