Новые подходы к применению ИИ

Физики элементарных частиц начали изучать ИИ в конце 1980-х, именно тогда и получил распространение термин "нейронная сеть", который мгновенно захватил внимание широких масс. Поле их деятельности поддается работе с искусственным интеллектом и алгоритмам машинного обучения, потому что почти каждый эксперимент фокусируется на поиске неуловимых пространственных образов в бесчисленных аналогичных данных сложных детекторов частиц, — это именно тот случай, когда ИИ может быть особенно эффективен. Теперь, после нескольких лет, проведенных в попытках доказать свою теорию, ученые предоставили методики анализа, связанные с ИИ, среди других, более привычных и стандартных инструментов физиков.

Физика элементарных частиц пытается понять и объяснить внутренние процессы Вселенной, сталкивая субатомные частицы вместе с образованием огромного количества энергии, чтобы получить совершенно новые частицы и формы материи. Например, в 2012 команда ученых работала с самым большим протонным коллайдером, Большим Адронным Коллайдером в Швейцарии, и в итоге обнаружила давно предсказанный в теории бозон Хиггса. Частица является основной для объяснения того, как остальные получают свою массу, и имеет огромное значение для физики элементарных частиц.

Но такие частицы не имеют ярких опознавательных знаков, чтобы мы без труда смогли их заметить. В БАКе бозон Хиггса получается примерно в одном из миллиарда столкновений частиц и в пределах миллиардной доли пикосекунды он распадается на другие частицы: на пару протонов или четыре мюона. Чтобы "восстановить" бозон, физики должны определить все эти частицы и узнать, согласуются ли они друг с другом таким образом, что могли бы ранее быть единым целым. Процесс восстановления значительно усложняется тем фактом, что в коллайдере при столкновении присутствовало множество других, посторонних частиц.

Алгоритмы машинного обучения могут показать разницу между потоками различных частиц путем рассмотрения корреляций между несколькими переменными, описывающими их. Такие алгоритмы также могут, например, помочь различить пары фотонов, произошедших от распада бозона Хиггса и любую другую пару.

Однако ученые по-прежнему полагаются на собственное понимание базовой физики, чтобы выяснить, как искать признаки новых частиц и явлений. По словам Паоло Калафиура, специалиста национальной лаборатории Лоуренса (Беркли), вскоре ситуация должна измениться, а искусственный интеллект больше привлекаться в решении подобных вопросов. В 2024 году исследователи планируют усовершенствовать БАК, чтобы увеличить скорость столкновения частиц в нем в 10 раз. И тогда машинное обучение будет особенно нужно для удержания потока данных под контролем.

В Апреле этого года астрофизик Кевин Шавински опубликовал нечеткие снимки четырех галактик в твиттере (второе изображение), добавив вопрос, могут ли его помощники помочь классифицировать их. Коллеги сказали, что изображения выглядели как эллиптические и спиралевидные виды галактик. Некоторые астрономы, подозревая какой-то подвох во всем этом, спросили, были ли эти галактики настоящими, или же это были просто имитации, смоделированные на компьютере. В действительности это было нечто совершенно иное: Це Джан, компьютерный специалист из Швейцарии, совместно с коллегами подготовил галактики, созданные в нейронной сети, которая совершенно ничего не знала о физике.

Своей записью Шавински просто хотел удостовериться, насколько убедительно и реалистично будут выглядеть творения нейронной сети. Однако другая, более масштабная цель заключалась в том, чтобы создать новую технологию, способную делать изображения плохого качества более четкими, чтобы они выглядели так, словно были сделаны одним из лучших телескопов. Такая технология помогла бы астрономам рассмотреть более мелкие детали из множества уже имеющихся изображений.

Нейронная сеть, создавшая то самое изображение галактики, была моделью машинного обучения, которая создает две конкурирующие нейронные сети. Одна из них является генератором (создателем), который изначально придумывает изображения, другая — распознавателем, который пытается выявить (распознать) любые недостатки, выдающие нереалистичность изображения, и в итоге заставляет генератор исправлять их. Команда Шавински взяла тысячи реальных фотографий галактик и затем искусственно ухудшила их качество. Далее исследователи научили генератор создавать изображения так, чтобы они смогли пройти проверку распознавателя. В будущем сеть даже может превзойти многие другие методы улучшения качества изображений галактик с шумами.

Марвин Сеглер, аспирант Мюнстерского университета в Германии, со своими коллегами пытается внедрить ИИ в свои химические исследования. Они надеются, что нейронная сеть поможет им справиться с ключевой задачей молекулярного моделирования: выбор из сотен потенциальных элементов и тысяч химических законов. Химики уже давно запрограммировали компьютеры на моделирование известных реакций, надеясь в конечном итоге прийти к системе, которая сможет быстро вычислять наиболее простые способы получения тех или иных молекул. Но химия оказалась намного сложнее и тоньше. Трудно записать все имеющиеся сложные правила двоичным кодом.

И тогда они решили создать программу нейронной сети, которая самостоятельно изучает протекание различных реакций по миллионному количеству примеров. "Чем больше данных вы загружаете, тем лучше это получается," — рассказывает Сеглер. Со временем сеть научилась прогнозировать лучшую реакцию для желаемой ступени синтеза. В итоге она даже сама придумала способы синтеза молекул с нуля. Ученые протестировали программу на 40 различных молекулярных объектах, сравнивая ее с обычной программой по их созданию.

В то время как вторая разработала решения лишь в 22,5% случаев, ИИ решил эту же задачу в 95% случаев. Сеглер надеется использовать этот подход даже в сфере производства лекарственных препаратов. Он также добавил, что ИИ, конечно, не сможет заменить работу органических химиков в ближайшее время, потому как люди могут сделать гораздо больше, чем просто предсказать ход реакции. Однако нейронные сети могут быть более чем полезны для поиска нужного направления, а также значительной экономии времени в процессе обработки данных.

Источник: www.sciencemag.org

Комментарии: