Redes neuronales para neutrinos

Los científicos están utilizando técnicas de aprendizaje automático de vanguardia para analizar datos de física. Por Diana Kwon para la revista Symmetry Enero 23 de 2018 La física de partículas y el aprendizaje automático se han entrelazado durante mucho tiempo. Uno de los primeros ejemplos de esta relación se remonta a la década de 1960, cuando los físicos usaban cámaras de burbujas para buscar partículas invisibles a simple vista. Estos recipientes se llenaron con un líquido transparente que se calentó justo por debajo de su punto de ebullición para que incluso el menor impulso de energía, por ejemplo, de una partícula cargada que choca contra él, lo hiciera burbujear, un evento que desencadenaría una cámara tomar una fotografía Los escáneres femeninos a menudo se encargaron de inspeccionar estas fotografías en busca de pistas de partículas. El físico Paul Hough entregó esa tarea a las máquinas cuando desarrolló la transformada Hough, un algoritmo de reconocimiento de patrones, para identificarlas. La comunidad de ciencias de la computación luego desarrolló la transformada Hough para su uso en aplicaciones tales como visión por computadora, intentos de entrenar computadoras para replicar la función compleja de un ojo humano. "Siempre ha habido un poco de ida y vuelta" entre estas dos comunidades, dice Mark Messier, físico de la Universidad de Indiana. Desde entonces, el campo del aprendizaje automático ha avanzado rápidamente. El aprendizaje profundo, una forma de inteligencia artificial modelada según el cerebro humano, se ha implementado para una amplia gama de aplicaciones, como la identificación de rostros, la reproducción de videojuegos e incluso la síntesis de videos reales de políticos. Con los años, los algoritmos que ayudan a los científicos a extraer aberraciones interesantes de los datos de fondo se han utilizado en experimentos físicos como BaBar en SLAC National Accelerator Laboratory y experimentos en Large Electron-Positron Collider en CERN y Tevatron en Fermi National Accelerator Laboratory. Más recientemente, los algoritmos que aprenden a reconocer patrones en grandes conjuntos de datos han sido útiles para los físicos que estudian partículas difíciles de atrapar llamadas neutrinos. Esto incluye a los científicos en el experimento NOvA, que estudian un haz de neutrinos creado en el Fermilab del Departamento de Energía de EE. UU. Cerca de Chicago. Los neutrinos fluyen directamente a través de la Tierra a un detector de 14,000 toneladas métricas lleno de escintilador líquido que se encuentra cerca de la frontera con Canadá en Minnesota. Cuando un neutrino golpea el centellador líquido, libera una ráfaga de partículas. El detector recoge información sobre el patrón y la energía de esas partículas. Los científicos usan esa información para descubrir qué sucedió en el evento original de neutrinos. "Nuestro trabajo es casi como reconstruir una escena del crimen", dice Messier. "Un neutrino interactúa y deja rastros en el detector: llegamos después y usamos lo que podemos ver para tratar de descubrir qué podemos hacer con la identidad del neutrino". En los últimos años, los científicos han comenzado a usar algoritmos llamados redes neuronales convolucionales (CNN) para asumir esta tarea. Los CNN, que se modelan según la corteza visual de los mamíferos, se utilizan ampliamente en la industria de la tecnología, por ejemplo, para mejorar la visión por computadora de los automóviles que conducen automóviles. Estas redes están compuestas de múltiples capas que actúan de forma similar a los filtros: contienen nodos densamente interconectados que poseen valores numéricos, o ponderaciones, que se ajustan y refinan a medida que las entradas pasan. "La parte 'profunda' proviene del hecho de que hay muchas capas para ella", explica Adam Aurisano, profesor asistente de la Universidad de Cincinnati. "(Con el aprendizaje profundo) puede tomar datos casi sin procesar, y al empujarlo a través de estos montones de filtros aprendidos, termina extrayendo características casi óptimas". Por ejemplo, estos algoritmos pueden extraer detalles asociados con las interacciones de partículas de diversa complejidad a partir de las "imágenes" recogidas al registrar diferentes patrones de depósitos de energía en los detectores de partículas. "Esos montones de filtros han rebanado y cortado en cubos la imagen y extraído fragmentos de información físicamente significativos que hubiéramos intentado reconstruir antes", dice Aurisano. Aunque se pueden usar para clasificar eventos sin volver a crearlos, los CNN también se pueden usar para reconstruir interacciones de partículas usando un método llamado segmentación semántica. Cuando se aplica a una imagen de una tabla, por ejemplo, este método reconstruiría el objeto etiquetando cada píxel asociado a él, explica Aurisano. De la misma manera, los científicos pueden etiquetar cada píxel asociado con las características de las interacciones de neutrinos, y luego usar algoritmos para reconstruir el evento. Los físicos están utilizando este método para analizar los datos recopilados del detector de neutrinos MicroBooNE. "Lo bueno de este proceso es que puede encontrar un clúster creado por su red que no se ajusta a ninguna interpretación en su modelo", dice Kazuhiro Terao, científico del SLAC National Accelerator Laboratory. "Eso podría ser una nueva física". Entonces podríamos usar estas herramientas para encontrar cosas que quizás no comprendamos ". Los científicos que trabajan en otros experimentos de física de partículas, como los del Gran Colisionador de Hadrones en el CERN, también están utilizando el aprendizaje profundo para el análisis de datos. "Todos estos grandes experimentos de física son muy similares en el nivel de aprendizaje automático", dice Pierre Baldi, científico informático de la Universidad de California, Irvine. "Son todas las imágenes asociadas a estos detectores complejos y muy caros, y el aprendizaje profundo es el mejor método para extraer la señal contra el ruido de fondo". Aunque la mayoría de la información fluye actualmente de científicos informáticos a físicos de partículas, otras comunidades también pueden obtener nuevas herramientas y conocimientos de estas aplicaciones experimentales. Por ejemplo, según Baldi, una pregunta que se está discutiendo actualmente es si los científicos pueden escribir software que funcione en todos estos experimentos de física con una cantidad mínima de ajuste humano. Si se lograra este objetivo, podría beneficiar a otros campos, como las imágenes biomédicas, que también usan el aprendizaje profundo. "(El algoritmo) miraría los datos y se calibraría a sí mismo", dijo. "Es un desafío interesante para los métodos de aprendizaje automático". Otra dirección futura, dice Terao, sería conseguir máquinas para hacer preguntas o, más simplemente, poder identificar valores atípicos y tratar de descubrir cómo explicarlos. "Si la IA puede formar una pregunta y llegar a una secuencia lógica para resolverla, entonces eso reemplaza a un ser humano", dice. "Para mí, el tipo de IA que quieres ver es un investigador de física, uno que pueda hacer investigación científica". With a little help from Google Translate for Business