伯克利實驗室的科學家教機器分析外來亞原子“湯”的模擬計算機可以擊敗國際象棋冠軍，模擬恒星爆炸并預測全球氣候。我們甚至在教導他們成為絕對的問題解決者和快速學習者。

現(xiàn)在，能源部勞倫斯·伯克利國家實驗室(伯克利實驗室)的物理學家及其合作者已經(jīng)證明，計算機已經(jīng)準備就緒，可以解決宇宙最大的謎團。研究小組從模擬的高能粒子碰撞中獲取了數(shù)千張圖像，以訓練計算機網(wǎng)絡來識別重要特征。

研究人員對稱為神經(jīng)網(wǎng)絡的強大陣列進行了編程，以充當一種蜂巢狀的數(shù)字大腦，以分析和解釋碰撞后遺留的模擬粒子碎片的圖像。在此測試過程中，研究人員發(fā)現(xiàn)，神經(jīng)網(wǎng)絡在約18,000張圖像的采樣中識別重要特征的成功率高達95%。

該研究于1月15日發(fā)表在《自然通訊》雜志上。

下一步將是將相同的機器學習過程應用于實際實驗數(shù)據(jù)。

強大的機器學習算法使這些網(wǎng)絡可以在處理更多圖像時改進其分析。基礎(chǔ)技術(shù)用于面部識別和其他類型的基于圖像的對象識別應用程序。

本研究中使用的圖像-與布魯克海文國家實驗室的相對論重離子對撞機和CERN的大型強子對撞機的粒子對撞機核物理實驗有關(guān)-重現(xiàn)了亞原子粒子“湯”的條件，該狀態(tài)是一種稱為夸克的超熱流體狀態(tài)。膠質(zhì)等離子體據(jù)信在宇宙誕生后僅存在百萬分之一秒。伯克利實驗室的物理學家在這兩個地點都參與了實驗。

該小組成員之一，伯克利實驗室核科學部門的核物理學家王新年說：“我們正在嘗試了解夸克-膠子等離子體的最重要特性。” 其中一些屬性的壽命很短，而且規(guī)模很小，以至于仍然籠罩在神秘之中。

在實驗中，核物理學家使用粒子對撞機將重原子核粉碎在一起，例如被剝離電子的金原子或鉛原子。據(jù)信，這些碰撞會釋放原子核內(nèi)的粒子，形成一個短暫的，亞原子級的火球，該火球甚至將質(zhì)子和中子分解成其通常受約束的構(gòu)造塊(夸克和膠子)的自由浮動形式。

研究人員希望，通過了解這種夸克-膠子等離子體形成的精確條件，例如其中填充了多少能量，以及在轉(zhuǎn)變?yōu)榱黧w狀態(tài)時其溫度和壓力，他們將對物質(zhì)的組成粒子有新的見解。及其屬性，以及宇宙的形成階段。

但事實證明，對這些特性進行精確的測量(所謂的“狀態(tài)方程”是指物質(zhì)在這些碰撞中從一個相變?yōu)榱硪粋€相時所涉及的)。實驗中的初始條件可能會影響結(jié)果，因此提取獨立于這些條件的狀態(tài)方程測量結(jié)果具有挑戰(zhàn)性。

Wang說：“在核物理學界，圣杯是觀察這些高能相互作用中的相變，然后根據(jù)實驗數(shù)據(jù)確定狀態(tài)方程。” “這是我們尚未從實驗中學到的夸克-膠子等離子體的最重要特性。”

研究人員還尋求關(guān)于控制夸克與膠子之間相互作用的基本力的見解，物理學家稱之為量子色動力學。

這項最新研究的主要作者，加州大學伯克利分校的伯克利實驗室附屬博士后研究員龐龍剛說，2016年，他在法蘭克福高等研究院擔任博士后時，對這種藥物的潛力產(chǎn)生了興趣。人工智能(AI)，以幫助解決具有挑戰(zhàn)性的科學問題。

他看到一種形式的AI，即深層卷積神經(jīng)網(wǎng)絡，其結(jié)構(gòu)受到動物大腦中圖像處理過程的啟發(fā)，似乎非常適合分析與科學相關(guān)的圖像。

“這些網(wǎng)絡可以識別模式，并評估圍棋游戲中棋盤的位置和選定的動作，” Pang說。“我們認為，'如果我們有一些視覺科學數(shù)據(jù)，也許我們可以從中獲得抽象的概念或有價值的物理信息。'”

Wang補充說：“通過這種類型的機器學習，我們正在嘗試確定某種模式或模式的相關(guān)性，這是狀態(tài)方程的唯一特征。” 因此，經(jīng)過訓練后，網(wǎng)絡可以自行確定圖像中與科學家試圖解決的問題最相關(guān)的部分和相關(guān)性(如果存在)。

Pang說，分析所需的數(shù)據(jù)積累可能需要大量的計算，在某些情況下，僅創(chuàng)建一張圖像就需要花費整整一天的時間。當研究人員采用一系列并行工作的GPU時-GPU是最初為增強視頻游戲效果而創(chuàng)建的圖形處理單元，此后逐漸擴展為多種用途-他們將每個圖像的時間減少到大約20分鐘。

他們在研究中使用了伯克利實驗室國家能源研究科學計算中心(NERSC)的計算資源，其中大部分計算工作都集中在德國GSI和中部師范大學的GPU集群上。

研究人員指出，使用復雜的神經(jīng)網(wǎng)絡的好處是，它們可以識別甚至在最初的實驗中都沒有尋找到的功能，例如在根本不需要尋找的情況下在大海撈針中尋找針頭。他們甚至可以從模糊圖像中提取有用的細節(jié)。

“即使分辨率較低，您仍然可以獲得一些重要信息，”龐說。

已經(jīng)開始討論將機器學習工具應用于來自實際重離子碰撞實驗的數(shù)據(jù)，并且模擬結(jié)果應有助于訓練神經(jīng)網(wǎng)絡來解釋實際數(shù)據(jù)。

除了粒子對撞機實驗以外，王說：“在高能粒子物理學中，這將有許多應用。”

來自以下機構(gòu)的Kai Zhou，Nan Su，Hannah Petersen和Horst Stocker也參與了該研究：法蘭克福高等研究院，歌德大學，GSI HelmholtzzentrumfürSchwerionenforschung(GSI)和華中師范大學。這項工作得到了能源部科學辦公室，國家科學基金會，亥姆霍茲協(xié)會，GSI，SAMSON AG，歌德大學，國家自然科學基金會，主要國家基礎(chǔ)研究發(fā)展計劃的支持。亥姆霍茲國際反質(zhì)子和離子研究設(shè)施中心。

NERSC是能源部科學辦公室的用戶設(shè)施。

標簽： 機器學習