Недвижимость и спорт

Слeдующee пoкoлeниe экспeримeнтoв пo стoлкнoвeнию чaстиц зaдeйствуeт ряд сaмыx прoдвинутыx мыслящиx мaшин в мирe, eсли связи, сoздaнныe мeжду физикaми чaстиц и исслeдoвaтeлями искусственного интеллекта (ИИ), укрепятся. Такие машины могут совершать открытия с небольшим вовлечением человека — и такая перспектива очень заинтересовала физиков. Влекомые рвением совершать открытия и знанием того, что им придется столкнуться с неуправляемым объемом данных за десять лет, физики, работающие на Большом адронном коллайдере близ Женевы, Швейцария, запросили помощи экспертов в области ИИ. Компьютерные ученые массово откликнулись на просьбу. Физика частиц, в принципе, уже знакома с ИИ. В частности, когда ATLAS и CMS, два крупнейших эксперимента БАК, обнаружили бозон Хиггса в 2012 году, они сделали это в рамках использования машинного обучения — формы ИИ, которая «обучает» алгоритмы распознавать закономерности в данных. Эти алгоритмы сначала обкатывались на моделях столкновений частиц и учились выделять закономерности, рожденные в процессе распада редких частиц Хиггса среди миллионов более понятных событий. Но в ближайшем будущем эти эксперименты должны стать умнее в плане собирательства своих данных, а не только в их обработке. CMS и ATLAS в настоящее время производят сотни миллионов столкновений в секунду и опираются на быстрые и грязные критерии, игнорируя все события из тысячи кроме одного. Обновления, запланированные к 2025 году, означают, что число столкновений вырастет в 20 раз и что детекторам придется использовать более хитроумные способы, чтобы выбирать, что сохранять, говорит физик CMS Мария Спиропулу из Калифорнийского технологического института в Пасадене, помогавшая в организации семинара ЦЕРН. «Мы собираемся в неизвестность», — говорит она. В рамках подготовки ко второму запуску БАК с повышенной энергией, которая началась в апреле, команда LHCb запрограммировала свой детектор на использование машинного обучения при выборе, какие данные сохранять. LHCb чувствителен к крошечным изменениям в температуре и давлении, поэтому данные, которые интересны сейчас, могут меняться на протяжении эксперимента — и к этому машинное обучение может адаптировать установку в режиме реального времени. «До этого никто такого не делал», — говорит Владимир Глигоров, физик LHCb в ЦЕРН, руководящий проектом ИИ. Но уже через две недели после энергетического апгрейда, детектор «заново обнаружил» частицу J/Ψ мезон — впервые обнаруженную в 1974 году в ходе двух независимых американских экспериментов и позже принесшую своим открывателям Нобелевскую премию. В последующие годы CMS и ATLAS, скорее всего, пойдут по стопам LHCb, говорит Спиропулу и другие, и обеспечат детекторы алгоритмами, способными выполнять больше работы в режиме реального времени. Это будет революцией в области анализа данных. Увеличение зависимости от принятия решений искусственным интеллектом будет сопряжено с новыми проблемами. В отличие от LHCb, который фокусируется в основном на поиске известных частиц, чтобы их можно было детально изучить, ATLAS и CMS предназначены для поиска новых частиц. «Это кошмар для них». «Эти сообщества огромны, поэтому на одобрение метода уйдет время, приблизительно равное возрасту Вселенной». Несмотря на эти проблемы, самым горячо обсуждаемым вопросом на семинаре было то, следует ли и если да, то как, физике частиц использовать еще более хитроумный ИИ, в форме так называемой техники глубокого обучения. Базовые алгоритмы машинного обучения обучаются на простых данных вроде изображений и «говорят», что на этих картинках изображено — лошадь или кот, например. Но в глубоком обучении, которое используется программным обеспечением Google (переводчик) и системы распознавания голоса в Siri от Apple, компьютер, как правило, не получает такого надзора и находит способы категоризации объектов самостоятельно. И хотя они подчеркивают, что ученым было бы неудобно давать алгоритму такой уровень контроля, некоторые ораторы на семинаре ЦЕРН рассказали, как глубокое обучение можно было бы применить к физике. Пьер Бальди, исследователь ИИ в Калифорнийском университете в Ирвине, применявший машинное обучение к различным областям науки, описал, как он и его коллеги провели исследование и выяснили, что техника глубокого обучения, известная как «темное знание», могла бы помочь в поисках темной материи.