Os algoritmos de aprendizado de máquina podem vencer os videogames mais difíceis do mundo em minutos e resolver equações complexas mais rápido do que os esforços coletivos de gerações de físicos. Mas os algoritmos convencionais ainda lutam para identificar as placas de pare em uma rua movimentada.

A identificação de objetos continua a atrapalhar o campo do aprendizado de máquina, especialmente quando as imagens são multidimensionais e complicadas, como os detectores de partículas pegam colisões em experimentos de física de alta energia. Contudo, uma nova classe de redes neurais está ajudando esses modelos a aumentar suas habilidades de reconhecimento de padrões, e a tecnologia pode em breve ser implementada em experimentos de física de partículas para otimizar a análise de dados.

Este Verão, Os físicos do Fermilab fizeram um avanço em seu esforço para incorporar redes neurais de grafos aos sistemas experimentais. O cientista Lindsey Gray atualizou o software que permite que esses algoritmos de ponta sejam implantados em dados do Large Hadron Collider no CERN. Pela primeira vez, essas redes serão integradas em experimentos de física de partículas para processar dados do detector diretamente - abrindo as comportas para um grande salto na eficiência que produzirá uma visão mais precisa dos detectores atuais e futuros.

"O que uma semana atrás era apenas um objeto de pesquisa, agora é uma ferramenta amplamente utilizável que pode transformar nossa capacidade de analisar dados de experimentos de física de partículas, "Gray disse.

Seu trabalho se concentra inicialmente no uso de redes neurais de gráfico para analisar dados do experimento CMS no LHC, um dos quatro principais experimentos de física de partículas do colisor.

Os programadores desenvolvem redes neurais para vasculhar montanhas de dados em busca de uma categoria ou quantidade específica, digamos, uma placa de pare em uma foto de uma rua movimentada.

Fotografias digitais normais são essencialmente uma grade gigante vermelha, pixels quadrados verdes e azuis. Depois de ser treinado para reconhecer a aparência de um sinal de parada, redes neurais clássicas inspecionam todo o bloco de pixels para ver se o alvo está ou não presente. Este método é ineficiente, Contudo, uma vez que os modelos precisam processar muitas coisas irrelevantes, ofuscando dados.

Os cientistas da computação desenvolveram novas classes de redes neurais para melhorar este processo, mas os algoritmos ainda lutam para identificar objetos em imagens que são mais complexos do que apenas uma grade bidimensional de pixels quadrados.

Pegue as moléculas, por exemplo. A fim de determinar se um produto químico é ou não tóxico, os químicos precisam localizar certas características, como anéis de carbono e grupos carboxila, dentro de uma molécula. As fotos dos produtos químicos tiradas com máquinas de cromatografia de raios-X produzem imagens 3-D de átomos ligados, que parecem ligeiramente diferentes a cada vez que são visualizados.

Uma vez que os dados não são armazenados em uma grade quadrada, é difícil para as redes neurais típicas aprenderem a identificar os compostos tóxicos. Para contornar isso, químicos começaram a empregar um novo conjunto de redes neurais:redes neurais de gráfico, ou GNNs.

Ao contrário dessas redes neurais típicas, GNNs são capazes de dizer quais pixels estão conectados uns aos outros, mesmo que não estejam em uma grade 2-D. Fazendo uso das "bordas" entre os "nós" de dados (neste caso, as ligações entre os átomos), esses modelos de aprendizado de máquina podem identificar os assuntos desejados com muito mais eficiência.

A visão de Gray é trazer esses modelos e sua identificação de alvo aprimorada para agilizar o processamento de dados para colisões de partículas.

"Com uma rede neural gráfica, você pode escrever um algoritmo de reconhecimento de padrões significativamente melhor para ser usado para algo tão complexo como dados do acelerador de partículas, porque ele tem a capacidade de olhar para as relações entre todos os dados que chegam para encontrar as partes mais pertinentes dessas informações, " ele disse.

A pesquisa de Gray se concentra na implementação de GNNs no calorímetro de alta granularidade do detector CMS, ou HGCal. O CMS tira bilhões de imagens de colisões de alta energia a cada segundo para procurar evidências de novas partículas.

Um desafio do calorímetro é que ele coleta tantos dados - fotos suficientes para encher 20 milhões de iPhones a cada segundo - que uma grande maioria deve ser jogada fora devido às limitações de espaço de armazenamento. Os sistemas de gatilho do HGCal precisam decidir em alguns milionésimos de segundo quais partes dos dados são interessantes e devem ser salvas. O resto é excluído.

"Se você tem uma rede neural que pode otimizar para funcionar em um determinado período de tempo, então você pode tomar essas decisões de forma mais confiável. Você não sente falta de nada, e você não guarda coisas que você realmente não precisa, "disse Kevin Pedro, outro cientista do Fermilab trabalhando com Gray.

Os detectores HGCal coletam muitas informações diferentes ao mesmo tempo sobre as interações de partículas, o que produz algumas imagens muito complicadas.

"Esses dados têm formatos estranhos, eles têm lacunas aleatórias neles, e eles não estão nem remotamente perto de uma grade contígua de quadrados, "Gray disse." É aí que os gráficos entram - porque eles permitem que você simplesmente ignore todas as coisas sem sentido. "

Em teoria, os GNNs seriam treinados para analisar as conexões entre os pixels de interesse e ser capazes de prever quais imagens devem ser salvas e quais podem ser excluídas com muito mais eficiência e precisão. Contudo, porque esta classe de rede neural é tão nova na física de partículas, ainda não é possível implementá-los diretamente no hardware do acionador.

A rede neural gráfica é bem adequada para o HGCal de outra maneira:os módulos do HGCal são hexagonais, uma geometria que, embora não seja compatível com outros tipos de redes neurais, funciona bem com GNNs.

"Isso é o que torna este projeto específico um avanço, "disse a diretora de informações do Fermilab, Liz Sexton-Kennedy." Isso mostra a engenhosidade de Kevin e Lindsey:eles trabalharam em estreita colaboração com os colegas que projetaram o calorímetro, e eles colocaram em uso sua experiência única em software para estender ainda mais as capacidades do experimento. "

Gray também conseguiu escrever um código que estende as capacidades do PyTorch, uma estrutura de aprendizado de máquina de código aberto amplamente usada, para permitir que modelos gráficos de rede neural sejam executados remotamente em dispositivos em todo o mundo.

"Antes desta, foi extremamente desajeitado e tortuoso construir um modelo e depois implantá-lo, "Gray disse." Agora que está funcional, você apenas envia dados para o serviço, descobre como melhor executá-lo, e a saída é enviada de volta para você. "

Gray e Pedro disseram que esperam ter as redes neurais de grafos funcionais até que a Execução 3 do LHC seja retomada em 2021. Dessa forma, os modelos podem ser treinados e testados antes da atualização de alta luminosidade do colisor, cujas capacidades aumentadas de coleta de dados tornarão os GNNs ainda mais valiosos.

Assim que as redes estiverem instaladas e funcionando em um só lugar, deve ser muito mais fácil fazê-los trabalhar em outros experimentos no laboratório.

"Você ainda pode aplicar todas as mesmas coisas que estamos aprendendo sobre redes neurais de gráfico no HGCal a outros detectores em outros experimentos, "Gray disse." A taxa na qual estamos adotando o aprendizado de máquina na física de alta energia ainda não está nem perto da saturação. As pessoas continuarão encontrando mais e mais maneiras de aplicá-lo. "