Μια ομάδα φυσικών και επιστημόνων υπολογιστών με επικεφαλής ερευνητές στο Brookhaven National Laboratory ανέπτυξε μια νέα προσέγγιση τεχνητής νοημοσύνης που μαθαίνει μόνη της να διαχωρίζει σημαντικά σήματα πιδάκων σωματιδίων υψηλής ενέργειας από το τεράστιο υπόβαθρο σωματιδίων που καταγράφονται σε σχετικιστικές συγκρούσεις βαρέων ιόντων.
Η πρόοδος αυτή θα μπορούσε να βοηθήσει τους επιστήμονες να πραγματοποιήσουν ακριβέστερες μετρήσεις του πλάσματος κουρκ-γλουονίων, μιας θερμής και πυκνής κατάστασης της ύλης που υπήρχε ένα μικροδευτερόλεπτο μετά τη Μεγάλη Έκρηξη.
Η πρόκληση του διαχωρισμού σημάτων
Στο Relativistic Heavy Ion Collider, οι φυσικοί αναδημιούργησαν συνθήκες πρώιμου σύμπαντος που παράγουν πλάσμα κουρκ-γλουονίων. Οι ερευνητές χρησιμοποιούν πίδακες, δηλαδή δέσμες σωματιδίων υψηλής ενέργειας, ως έναν από τους καλύτερους ανιχνευτές για να κατανοήσουν καλύτερα πώς συμπεριφέρονται τα κουρκ και τα γλουόνια. Ωστόσο, ο διαχωρισμός των σημάτων των πιδάκων από το τεράστιο υπόβαθρο αποτελεί εδώ και χρόνια περιοριστικό παράγοντα για την ακρίβεια των μετρήσεων. Η νέα προσέγγιση τεχνητής νοημοσύνης αντιμετωπίζει αυτή την πρόκληση μαθαίνοντας να διακρίνει τα σήματα αποτελεσματικότερα από τις συμβατικές μεθόδους, χωρίς να βασίζεται σε προetτικεταρισμένα παραδείγματα.
Μια νέα μη εποπτευόμενη μέθοδος μάθησης
Σε εργασία που δημοσιεύθηκε στο Scientific Reports, η ερευνητική ομάδα περιγράφει μια μέθοδο γενετικής τεχνητής νοημοσύνης που διαχωρίζει το σήμα των πιδάκων από το υπόβαθρο χωρίς να απαιτεί ζευγαρωμένα παραδείγματα σήματος και υποβάθρου για την εκπαίδευση του μοντέλου. Αυτή η εργασία δείχνει την πρώτη χρήση ενός μη εποπτευόμενου μοντέλου που έμαθε απευθείας από προσομοιωμένα δεδομένα φυσικής συγκρούσεων. Σύμφωνα με τον computer scientist Dmitrii Torbunov, το νέο πλαίσιο δε χρειάζεται να καθοδηγηθεί από ανθρώπους για το τι αντιστοιχεί σε τι, καθώς οι μέθοδοι μη εποπτευόμενης μάθησης μπορούν να εντοπίσουν χρήσιμα μοτίβα απευθείας από τα δεδομένα.
Ανακατασκευή θέσεων και ενεργειών
Οι ερευνητές δοκίμασαν το μοντέλο τους χρησιμοποιώντας προσομοιωμένα δεδομένα από εξαρτήματα ανιχνευτών calorimeters στο sPHENIX. Στα προσομοιωμένα δεδομένα, το μοντέλο ανέκτησε με μεγαλύτερη ακρίβεια τις θέσεις, τις ενέργειες και την εσωτερική δομή των πιδάκων σε σύγκριση με τις παραδοσιακές μεθόδους αφαίρεσης υποβάθρου. Κοιτάζοντας στο μέλλον, οι ερευνητές σκοπεύουν να εφαρμόσουν το μοντέλο στα πλούσια δεδομένα φυσικής που συνέλεξε το sPHENIX, ανοίγοντας τον δρόμο για νέες ανακαλύψεις στην πυρηνική φυσική και την κατανόηση του σύμπαντος.
