Les ordinateurs peuvent battre les champions d'échecs, simuler des explosions d'étoiles, et prévoir le climat mondial. Nous leur apprenons même à être des résolveurs de problèmes infaillibles et des apprenants rapides.

Et maintenant, Les physiciens du Lawrence Berkeley National Laboratory (Berkeley Lab) du département de l'Énergie et leurs collaborateurs ont démontré que les ordinateurs sont prêts à s'attaquer aux plus grands mystères de l'univers. L'équipe a alimenté des milliers d'images de collisions de particules à haute énergie simulées pour former des réseaux informatiques à identifier les caractéristiques importantes.

Les chercheurs ont programmé de puissants réseaux connus sous le nom de réseaux de neurones pour servir de sorte de cerveau numérique semblable à une ruche pour analyser et interpréter les images des débris de particules simulés laissés par les collisions. Au cours de ce test, les chercheurs ont découvert que les réseaux de neurones avaient un taux de réussite allant jusqu'à 95 % dans la reconnaissance des caractéristiques importantes dans un échantillon d'environ 18, 000 images.

L'étude a été publiée le 15 janvier dans la revue Communication Nature .

La prochaine étape consistera à appliquer le même processus d'apprentissage automatique aux données expérimentales réelles.

De puissants algorithmes d'apprentissage automatique permettent à ces réseaux d'améliorer leur analyse à mesure qu'ils traitent plus d'images. La technologie sous-jacente est utilisée dans la reconnaissance faciale et d'autres types d'applications de reconnaissance d'objets basées sur l'image.

Les images utilisées dans cette étude - pertinentes pour les expériences de physique nucléaire du collisionneur de particules au collisionneur d'ions lourds relativistes du Brookhaven National Laboratory et au grand collisionneur de hadrons du CERN - recréent les conditions d'une "soupe de particules subatomiques, " qui est un état fluide super chaud connu sous le nom de plasma quark-gluon dont on pense qu'il existe juste des millionièmes de seconde après la naissance de l'univers. Les physiciens du Berkeley Lab participent à des expériences sur ces deux sites.

« Nous essayons de connaître les propriétés les plus importantes du plasma quark-gluon, " dit Xin-Nian Wang, un physicien nucléaire de la Division des sciences nucléaires du Berkeley Lab qui fait partie de l'équipe. Certaines de ces propriétés sont si éphémères et se produisent à des échelles si minuscules qu'elles restent entourées de mystère.

Dans les expériences, les physiciens nucléaires utilisent des collisionneurs de particules pour briser ensemble des noyaux lourds, comme les atomes d'or ou de plomb qui sont dépouillés d'électrons. On pense que ces collisions libèrent des particules à l'intérieur des noyaux des atomes, formant un éphémère, boule de feu à l'échelle subatomique qui décompose même les protons et les neutrons en une forme flottante de leurs éléments constitutifs généralement liés :les quarks et les gluons.

Les chercheurs espèrent qu'en apprenant les conditions précises dans lesquelles ce plasma quark-gluon se forme, comme la quantité d'énergie contenue, et sa température et sa pression lors de sa transition vers un état fluide, ils acquerront de nouvelles connaissances sur ses particules de matière et leurs propriétés, et sur les étapes de formation de l'univers.

Mais des mesures précises de ces propriétés - la soi-disant « équation d'état » impliquée lorsque la matière passe d'une phase à une autre dans ces collisions - se sont avérées difficiles. Les conditions initiales des expériences peuvent influencer le résultat, il est donc difficile d'extraire des mesures d'équation d'état indépendantes de ces conditions.

« Dans la communauté de la physique nucléaire, le Saint Graal est de voir les transitions de phase dans ces interactions à haute énergie, puis déterminer l'équation d'état à partir des données expérimentales, ", a déclaré Wang. "C'est la propriété la plus importante du plasma de quarks et de gluons que nous n'avons pas encore appris d'expériences."

Les chercheurs cherchent également à mieux comprendre les forces fondamentales qui régissent les interactions entre les quarks et les gluons, ce que les physiciens appellent la chromodynamique quantique.

Long-Gang Pang, l'auteur principal de la dernière étude et chercheur postdoctoral affilié à Berkeley Lab à l'UC Berkeley, dit qu'en 2016, alors qu'il était boursier postdoctoral à l'Institut d'études avancées de Francfort, il s'est intéressé au potentiel de l'intelligence artificielle (IA) pour aider à résoudre des problèmes scientifiques complexes.

Il a vu qu'une forme d'IA, connu sous le nom de réseau de neurones à convolution profonde - avec une architecture inspirée des processus de traitement des images dans le cerveau des animaux - semble être un bon choix pour l'analyse d'images liées à la science.

"Ces réseaux peuvent reconnaître des modèles et évaluer les positions du plateau et les mouvements sélectionnés dans le jeu de Go, " dit Pang. " Nous avons pensé, « Si nous avons des données scientifiques visuelles, peut-être pouvons-nous en tirer un concept abstrait ou des informations physiques précieuses.'"

Wang a ajouté, "Avec ce type de machine learning, nous essayons d'identifier un certain modèle ou une corrélation de modèles qui est une signature unique de l'équation d'état. le réseau peut repérer par lui-même les portions et les corrélations d'une image, s'il en existe, qui sont les plus pertinents pour le problème que les scientifiques essaient de résoudre.

L'accumulation des données nécessaires à l'analyse peut être très gourmande en calculs, Pang a dit, et dans certains cas, il a fallu environ une journée complète de temps de calcul pour créer une seule image. Lorsque les chercheurs ont utilisé une gamme de GPU fonctionnant en parallèle - les GPU sont des unités de traitement graphique qui ont d'abord été créées pour améliorer les effets des jeux vidéo et ont depuis explosé dans une variété d'utilisations - ils ont réduit ce temps à environ 20 minutes par image.

Ils ont utilisé les ressources informatiques du Centre national de calcul scientifique de la recherche énergétique de Berkeley Lab (NERSC) dans leur étude, avec la plupart des travaux de calcul concentrés sur les clusters GPU à GSI en Allemagne et à l'Université normale de Chine centrale en Chine.

Un avantage d'utiliser des réseaux de neurones sophistiqués, les chercheurs ont noté, est qu'ils peuvent identifier des caractéristiques qui n'étaient même pas recherchées dans l'expérience initiale, comme trouver une aiguille dans une botte de foin alors que vous ne la cherchiez même pas. Et ils peuvent extraire des détails utiles même à partir d'images floues.

"Même si vous avez une faible résolution, vous pouvez toujours obtenir des informations importantes, " dit Pang.

Des discussions sont déjà en cours pour appliquer les outils d'apprentissage automatique aux données d'expériences réelles de collision d'ions lourds, et les résultats simulés devraient être utiles pour entraîner les réseaux de neurones à interpréter les données réelles.

« Il y aura de nombreuses applications pour cela en physique des particules de haute énergie, " Wang a dit, au-delà des expériences de collisionneur de particules.