L’IA svela l’enigmatico mondo dei protoni
Il progetto NNNPDF, finanziato dall’UE, si è prefisso di trovare nuovi modi per indagare la vita interna e la struttura di una particella a tutti familiare, il protone, utilizzando le tecniche di apprendimento automatico. «La struttura del protone è prevista dalla teoria delle interazioni forti, una delle quattro forze fondamentali della natura. Determinarla da principi primi, tuttavia, è un compito estremamente complesso», osserva il coordinatore del progetto Stefano Forte. Forte spiega che la struttura del protone deve essere dedotta dai dati, confrontando le previsioni con gli esperimenti, come quelli svolti presso il Large Hadron Collider, l’acceleratore di particelle del CERN, conservando la struttura del protone come una variabile sconosciuta. «La sfida si basa quindi sulla scoperta di una legge fisica di cui si conosce l’esistenza, ma che non può essere derivata da principi primi. È come imparare una nuova lingua senza conoscerne la grammatica, un tipico problema dell’apprendimento automatico», spiega.
Le sfide nell’attuazione dell’apprendimento automatico
La complessità dello studio di particelle subatomiche come i protoni risiede nella loro natura quantistica. «A differenza di un ingranaggio in un meccanismo, un quark di un protone è come un soffio in una nuvola. Le leggi fisiche che cerchiamo predicono le probabilità degli eventi, piuttosto che gli eventi stessi», osserva Forte. «Di conseguenza, avevamo bisogno di un approccio di apprendimento automatico non convenzionale che andasse oltre il riconoscimento dei modelli, come le immagini, e decodificasse invece le probabilità degli eventi.» Per raggiungere questo obiettivo, la squadra di ricerca di NNNPDF ha dovuto affrontare due ostacoli tecnici principali: il primo era la generazione efficiente di un gran numero di previsioni che potessero essere interpretate statisticamente, mentre il secondo consisteva nell’esplorare lo spazio di tutti i modelli possibili, per trovare quello che meglio descrive la natura in modo oggettivo e imparziale. Il gruppo ha utilizzato reti neurali e reti neurali profonde come modelli di inferenza, abbinandole a metodi Monte Carlo per riprodurre la natura statistica dei risultati. Inoltre, sono state impiegate l’ottimizzazione degli iperparametri e la convalida incrociata k-fold per indagare varie classi di modelli e metterne alla prova le potenzialità di generalizzazione. Il clustering basato sulle griglie e l’accelerazione hardware hanno consentito di elaborare rapidamente ingenti volumi di dati, per un’analisi più efficiente.
La forza trainante dietro l’applicazione dell’apprendimento automatico nella fisica delle alte energie
Nella fisica delle alte energie, l’apprendimento automatico è sempre più necessario, data l’esigenza di estrarre segnali nascosti da grandi quantità di dati. Eppure, rimangono alcuni problemi irrisolti: come evitare i pregiudizi degli sperimentatori e valutare accuratamente le incertezze? Il progetto NNNPDF ha affrontato la sfida in maniera diretta, dimostrando l’immenso potenziale dell’apprendimento automatico in questo campo. «Poiché la ricerca sulla fisica delle alte energie concentra l’attenzione sulla frontiera della precisione, per rilevare i segnali lievi occorre un controllo eccezionale sulla precisione sperimentale e teorica. Il nostro contributo principale è stato lo sviluppo di strumenti di apprendimento automatico affidabili, la cui accuratezza si potesse valutare in modo attendibile», sottolinea Forte. «Le tecniche di apprendimento automatico stanno diventando sempre più diffuse nella fisica delle alte energie. Sebbene nessuna scoperta sia stata ancora dichiarata come direttamente dovuta a questo metodo, abbiamo presentato la prima prova che i quark pesanti (charm quark) fanno parte della funzione d’onda del protone. La nostra scoperta, pubblicata su Nature, è forse il primo esempio di una svolta rivoluzionaria dovuta all’apprendimento automatico in questo campo», aggiunge Forte. I risultati di NNNPDF hanno ripercussioni dirette e indirette in vari campi. Da un lato, la descrizione accurata della struttura del protone consente di effettuare fini test dell’attuale teoria delle interazioni fondamentali, che potrebbero svelare la natura della materia oscura. Indirettamente, invece, le metodologie avanzate proposte nell’ambito dell’apprendimento automatico, della scienza dei dati e del calcolo ad alte prestazioni potrebbero trovare ulteriori applicazioni, ben oltre la fisica delle particelle.
Parole chiave
NNNPDF, apprendimento automatico, struttura del protone, fisica delle alte energie, probabilità degli eventi, Large Hadron Collider, quark pesanti, charm quark, materia oscura