Os computadores podem vencer os campeões de xadrez, simular explosões de estrelas, e prever o clima global. Estamos até mesmo ensinando-os a resolver problemas infalíveis e aprender rápido.

E agora, físicos do Laboratório Nacional Lawrence Berkeley do Departamento de Energia (Berkeley Lab) e seus colaboradores demonstraram que os computadores estão prontos para enfrentar os maiores mistérios do universo. A equipe alimentou milhares de imagens de colisões simuladas de partículas de alta energia para treinar redes de computadores para identificar características importantes.

Os pesquisadores programaram matrizes poderosas conhecidas como redes neurais para servir como uma espécie de cérebro digital semelhante a uma caminhada na análise e interpretação das imagens dos fragmentos de partículas simuladas que sobraram das colisões. Durante este teste, os pesquisadores descobriram que as redes neurais tiveram uma taxa de sucesso de até 95 por cento no reconhecimento de características importantes em uma amostra de cerca de 18, 000 imagens.

O estudo foi publicado em 15 de janeiro na revista Nature Communications .

A próxima etapa será aplicar o mesmo processo de aprendizado de máquina aos dados experimentais reais.

Algoritmos de aprendizado de máquina poderosos permitem que essas redes aprimorem sua análise à medida que processam mais imagens. A tecnologia subjacente é usada em reconhecimento facial e outros tipos de aplicativos de reconhecimento de objetos baseados em imagem.

As imagens usadas neste estudo - relevantes para experimentos de física nuclear do colisor de partículas no Colisor de íons pesados ​​relativísticos do Brookhaven National Laboratory e no Large Hadron Collider do CERN - recriam as condições de uma sopa de partículas subatômicas, "que é um estado fluido superquente conhecido como plasma quark-gluon, que se acredita existir apenas milionésimos de segundo após o nascimento do universo. Os físicos do Berkeley Lab participam de experimentos em ambos os locais.

"Estamos tentando aprender sobre as propriedades mais importantes do plasma quark-gluon, "disse Xin-Nian Wang, um físico nuclear na Divisão de Ciência Nuclear do Laboratório de Berkeley, que é membro da equipe. Algumas dessas propriedades têm vida tão curta e ocorrem em escalas tão pequenas que permanecem envoltas em mistério.

Em experimentos, físicos nucleares usam aceleradores de partículas para esmagar núcleos pesados, como átomos de ouro ou chumbo que são desprovidos de elétrons. Acredita-se que essas colisões liberam partículas dentro dos núcleos dos átomos, formando um fugaz, Bola de fogo em escala subatômica que quebra até prótons e nêutrons em uma forma de flutuação livre de seus blocos de construção tipicamente ligados:quarks e glúons.

Os pesquisadores esperam que, ao aprender as condições precisas sob as quais este plasma de quark-gluon se forma, como quanta energia está contida, e sua temperatura e pressão à medida que faz a transição para um estado fluido, eles ganharão novos insights sobre suas partículas componentes de matéria e suas propriedades, e sobre os estágios de formação do universo.

Mas medições exatas dessas propriedades - a chamada "equação de estado" envolvida quando a matéria muda de uma fase para outra nessas colisões - têm se mostrado desafiadoras. As condições iniciais dos experimentos podem influenciar o resultado, portanto, é um desafio extrair medidas de equação de estado que sejam independentes dessas condições.

"Na comunidade de física nuclear, o Santo Graal é ver as transições de fase nessas interações de alta energia, e, em seguida, determinar a equação de estado a partir dos dados experimentais, "Wang disse." Esta é a propriedade mais importante do plasma quark-gluon que ainda temos que aprender com os experimentos. "

Os pesquisadores também buscam informações sobre as forças fundamentais que governam as interações entre quarks e glúons, o que os físicos chamam de cromodinâmica quântica.

Long-Gang Pang, o autor principal do último estudo e pesquisador de pós-doutorado afiliado ao Berkeley Lab na UC Berkeley, disse que em 2016, enquanto ele era um pós-doutorado no Instituto de Estudos Avançados de Frankfurt, ele se interessou pelo potencial da inteligência artificial (IA) para ajudar a resolver problemas científicos desafiadores.

Ele viu que uma forma de IA, conhecido como uma rede neural convolucional profunda - com arquitetura inspirada nos processos de manipulação de imagens em cérebros de animais - parecia ser um bom ajuste para analisar imagens relacionadas à ciência.

“Essas redes podem reconhecer padrões e avaliar posições do tabuleiro e movimentos selecionados no jogo Go, "Pang disse." Nós pensamos, 'Se tivermos alguns dados científicos visuais, talvez possamos obter um conceito abstrato ou informações físicas valiosas a partir disso. '"

Wang acrescentou, "Com esse tipo de aprendizado de máquina, estamos tentando identificar um certo padrão ou correlação de padrões que é uma assinatura única da equação de estado. "Portanto, após o treinamento, a rede pode localizar por conta própria as porções e correlações de uma imagem, se houver algum, que são mais relevantes para o problema que os cientistas estão tentando resolver.

O acúmulo de dados necessários para a análise pode ser muito intensivo em termos de computação, Pang disse, e, em alguns casos, demorou cerca de um dia inteiro de tempo de computação para criar apenas uma imagem. Quando os pesquisadores empregaram uma série de GPUs que funcionam em paralelo - GPUs são unidades de processamento gráfico que foram criadas para aprimorar os efeitos de videogame e, desde então, explodiram em uma variedade de usos - eles reduziram esse tempo para cerca de 20 minutos por imagem.

Eles usaram recursos de computação no Centro Nacional de Computação Científica de Pesquisa Energética (NERSC) do Berkeley Lab em seu estudo, com a maior parte do trabalho de computação focado em clusters de GPU na GSI na Alemanha e na Central China Normal University na China.

Uma vantagem de usar redes neurais sofisticadas, os pesquisadores notaram, é que eles podem identificar recursos que nem sequer foram procurados no experimento inicial, como encontrar uma agulha em um palheiro quando você nem estava procurando por ela. E eles podem extrair detalhes úteis até mesmo de imagens difusas.

"Mesmo se você tiver baixa resolução, você ainda pode obter algumas informações importantes, "Pang disse.

As discussões já estão em andamento para aplicar as ferramentas de aprendizado de máquina aos dados de experimentos reais de colisão de íons pesados, e os resultados simulados devem ser úteis no treinamento de redes neurais para interpretar os dados reais.

"Haverá muitas aplicações para isso na física de partículas de alta energia, "Wang disse, além de experimentos com colisor de partículas.