Skip to main content
European Commission logo
polski polski
CORDIS - Wyniki badań wspieranych przez UE
CORDIS
CORDIS Web 30th anniversary CORDIS Web 30th anniversary

Proton strucure for discovery at the Large Hadron Collider

Article Category

Article available in the following languages:

Sztuczna inteligencja pomaga w rozwikłaniu zagadek enigmatycznego świata protonów

Uczenie maszynowe wspomaga naukowców w poruszaniu się po labiryncie prawdopodobieństw, pomagając im w poznawaniu nieznanych subatomowych oddziaływań zachodzących we wnętrzu protonów. Dzięki dofinansowaniu ze środków Unii Europejskiej, naukowcy mogli zagłębić się w złożone zależności kwarków, antykwarków i gluonów wewnątrz protonów, starając się poznać strukturę protonu na jak najgłębszym poziomie.

Finansowany ze środków Unii Europejskiej projekt NNNPDF miał na celu zbadanie procesów zachodzących we wnętrzu protonów oraz ich struktur w nowatorski sposób, przy użyciu technik technik uczenia maszynowego. „Struktura protonu jest teoretycznie przewidywalna dzięki teorii oddziaływań silnych, jednej z czterech podstawowych sił natury, jednak określenie tej struktury na podstawie pierwszych zasad jest niezwykle skomplikowane”, zauważa koordynator projektu Stefano Forte. Jak wyjaśnia badacz, strukturę protonu należy ustalić na podstawie danych poprzez porównanie przewidywań z eksperymentami, takimi jak te prowadzone w Wielkim Zderzaczu Hadronów w CERN, zachowując strukturę protonu jako nieznaną zmienną. „Wyzwanie polega zatem na odkryciu prawa fizyki, o którym wiadomo, że istnieje, ale nie można go wyprowadzić z pierwszych zasad. Przypomina to uczenie się nowego języka bez znajomości jego gramatyki, co stanowi typowy problem pozwalający na wykorzystanie uczenia maszynowego", wyjaśnia Forte.

Rozwiązywanie wyzwań związanych z wdrażaniem uczenia maszynowego

Wyjątkowym wyzwaniem w badaniach cząstek subatomowych, takich jak protony, jest ich kwantowa natura. „W przeciwieństwie do trybiku w mechanizmie, kwark w protonie przypomina kłąb w chmurze. Prawa fizyki, których szukamy, przewidują raczej prawdopodobieństwa wystąpienia zdarzeń niż same zdarzenia", zauważa Forte. „W rezultacie potrzebowaliśmy niekonwencjonalnego podejścia do uczenia maszynowego, które wykracza poza rozpoznawanie wzorców, takich jak obrazy, a zamiast tego ustala prawdopodobieństwa zdarzeń”. Na drodze do tego celu zespół NNNPDF napotkał dwie główne przeszkody techniczne. Pierwsza z nich dotyczyła skutecznego generowania dużej liczby prognoz, które byłyby możliwe do interpretacji przy pomocy metod statystycznych. Druga polegała na zbadaniu przestrzeni wszystkich możliwych modeli w celu znalezienia jednego, który najlepiej opisuje naturę w obiektywny i bezstronny sposób. Zespół wykorzystał sieci neuronowe i głębokie sieci neuronowe jako modele wnioskowania, w połączeniu z symulacjami metodą Monte Carlo, aby odtworzyć statystyczny charakter swoich wyników. Ponadto zastosowano optymalizację hiperparametrów i K-krotny sprawdzian krzyżowy do zbadania różnych klas modeli i przetestowania ich możliwości w zakresie uogólnienia. Klastrowanie oparte na siatce oraz akceleracja sprzętowa umożliwiły szybkie przetwarzanie dużych ilości danych, poprawiając wydajność analizy.

Dlaczego stosujemy uczenie maszynowe w fizyce wysokich energii?

Rosnące zapotrzebowanie na wykorzystanie metod uczenia maszynowego w fizyce wysokich energii wynika z potrzeby wyodrębnienia sygnałów ukrytych w ogromnych ilościach danych. Badacze wciąż muszą jednak stawiać czoła wyzwaniom, takim jak unikanie tendencyjności eksperymentatorów i dokładna ocena niepewności. Projekt NNNPDF skutecznie rozwiązał te problemy, demonstrując ogromny potencjał uczenia maszynowego w tej dziedzinie. „Ze względu na to, że badania w dziedzinie fizyki wysokich energii koncentrują się na granicy precyzji, wykrywanie subtelnych sygnałów wymaga wyjątkowej kontroli nad dokładnością eksperymentalną i teoretyczną. Nasz główny wkład polegał na opracowaniu niezawodnych narzędzi uczenia maszynowego, których dokładność można byłoby rzetelnie ocenić”, podkreśla Forte. „Wykorzystywanie technik uczenia maszynowego staje się coraz bardziej powszechne w fizyce wysokich energii. Chociaż żadne odkrycie nie zostało jeszcze bezpośrednio przypisane uczeniu maszynowemu, przedstawiliśmy pierwszy dowód na to, że kwarki ciężkie (kwarki powabne) stanowią część funkcji falowej protonu. Nasze odkrycie opublikowane na łamach czasopisma Nature jest prawdopodobnie pierwszym przykładem przełomu w tej dziedzinie, który udało się osiągnąć dzięki uczeniu maszynowemu”, dodaje Forte. Osiągnięcia projektu NNNPDF mają zarówno bezpośredni, jak i pośredni wpływ na różne dziedziny. Dokładny opis struktury protonu bezpośrednio pozwala na subtelne testy obecnej teorii oddziaływań fundamentalnych, co może doprowadzić do odkrycia natury ciemnej materii. Z kolei opracowane przez zespół zaawansowane metodologie uczenia maszynowego, analizy danych i obliczeń wielkiej skali mogą znaleźć zastosowania wykraczające daleko poza fizykę cząstek elementarnych.

Słowa kluczowe

NNNPDF, uczenie maszynowe, struktura protonu, fizyka wysokich energii, prawdopodobieństwo zdarzeń, Wielki Zderzacz Hadronów, kwarki ciężkie, kwarki powabne, ciemna materia

Znajdź inne artykuły w tej samej dziedzinie zastosowania