Машинное обучение проникает в ядерную физику

13 октября 2022 г.

Крис Патрик, Национальный ускорительный центр Томаса Джефферсона

Ученые начали обращаться к новым инструментам, предлагаемым машинным обучением, чтобы сэкономить время и деньги. За последние несколько лет в области ядерной физики появилось множество проектов машинного обучения, и на эту тему было опубликовано множество статей. Теперь 18 авторов из 11 институтов резюмируют этот бурный рост работ с использованием искусственного интеллекта в статье «Машинное обучение в ядерной физике», недавно опубликованной в журнале Reviews of Modern Physics.

«Было важно задокументировать проделанную работу. Мы действительно хотим повысить значимость использования машинного обучения в ядерной физике, чтобы помочь людям увидеть широту деятельности», — сказала Эмбер Бёнляйн, ведущий автор статьи. и заместитель директора по вычислительной науке и технологиям Национального ускорительного комплекса Томаса Джефферсона Министерства энергетики США.

Поскольку в статье собраны и обобщены основные работы в этой области, Бёнляйн надеется, что она может послужить образовательным ресурсом для заинтересованных читателей, а также дорожной картой для будущих усилий.

«Это обеспечивает ориентир, который люди могут использовать при переходе к следующему этапу», — сказала она.

После посещения семинара по изучению искусственного интеллекта в лаборатории Джефферсона в марте 2020 года и публикации последующего отчета Бёнляйн и двое ее соавторов, Витольд Назаревич и Мишель Кучера, были вдохновлены пойти еще дальше. Вместе с 15 коллегами, представляющими все области ядерной физики, они решили провести исследование состояния проектов машинного обучения в ядерной физике.

Они начали с самого начала. Как описывают авторы, первая значительная работа, использующая машинное обучение в ядерной физике, использовала компьютерные эксперименты для изучения ядерных свойств, таких как атомные массы, в 1992 году. Хотя эта работа намекала на потенциал машинного обучения, его использование в этой области оставалось минимальным в течение более чем две декады. За последние несколько лет ситуация изменилась.

Машинное обучение, включающее в себя создание моделей, способных выполнять задачи без явных инструкций, требует от компьютеров выполнения определенных действий, включая сложные вычисления. Благодаря недавним достижениям компьютеры могут лучше соответствовать этим требованиям, что позволило физикам с большей готовностью включать машинное обучение в свою работу.

«В 2019 году эта статья была бы менее интересной, потому что не было бы достаточно работы для каталогизации. Но сейчас есть значительная работа, которую можно цитировать из-за более широкого использования этих методов», — сказал Бёнляйн.

Сегодня машинное обучение охватывает все масштабы и энергетические диапазоны исследований: от изучения строительных блоков материи до изучения жизненных циклов звезд. Он также встречается в четырех областях ядерной физики: теории, экспериментах, науке и эксплуатации ускорителей, а также науке о данных.

«Мы приложили усилия, чтобы собрать всеобъемлющий коллективный ресурс, который объединил бы усилия в наших областях, что, мы надеемся, вызовет богатые дискуссии и инновации в ядерной физике», — сказал соавтор Кучера, доцент кафедры физики и информатики в Университете ядерной физики. Дэвидсон Колледж.

Модели машинного обучения можно использовать как для разработки, так и для проведения экспериментов в области ядерной физики. Их также можно использовать для анализа данных этих экспериментов, объем которых часто превышает петабайты.

«Я ожидаю, что машинное обучение станет частью нашего сбора и анализа данных», — сказал Кучера.

Машинное обучение ускорит эти процессы, что может означать, что потребуется меньше времени и денег на время передачи, использование компьютера и другие экспериментальные затраты.

Однако на данный момент машинное обучение закрепилось в ядерной теории. Назаревич, теоретик-ядерщик и главный научный сотрудник Центра по изучению пучков редких изотопов Мичиганского государственного университета, особенно интересуется этой темой. Он говорит, что машинное обучение может помочь теоретикам быстрее выполнять сложные вычисления, улучшать и упрощать модели, делать прогнозы и помогать теоретикам понимать неопределенность своих прогнозов. Его также можно использовать для изучения явлений, над которыми исследователи не могут проводить эксперименты, таких как взрывы сверхновых или нейтронные звезды.