Maskinlæring tar tak i kjernefysikk

Forskere har begynt å bruke nye verktøy som tilbys av maskinlæring for å spare tid og penger. I løpet av de siste årene har kjernefysikk sett en mengde maskinlæringsprosjekter komme på nettet, med mange artikler publisert om emnet. Nå oppsummerer 18 forfattere fra 11 institusjoner denne eksplosjonen av kunstig intelligens-støttet arbeid i “Machine Learning in Nuclear Physics,” en artikkel som nylig ble publisert i Anmeldelser av moderne fysikk.

“Det var viktig å dokumentere arbeidet som er gjort. Vi ønsker virkelig å synliggjøre bruken av maskinlæring i kjernefysikk for å hjelpe folk å se bredden i aktivitetene,” sa Amber Boehnlein, hovedforfatter av avisen og assisterende direktør for beregningsvitenskap og teknologi ved det amerikanske energidepartementets Thomas Jefferson National Accelerator Facility.

Fordi papiret samler og oppsummerer stort arbeid på feltet så langt, håper Boehnlein at det kan fungere som en pedagogisk ressurs for interesserte lesere, samt et veikart for fremtidige bestrebelser.

“Det gir en målestokk som folk kan bruke når de går videre inn i neste fase,” sa hun.

En maskinlæringsrevolusjon

Etter å ha deltatt på en workshop som utforsket kunstig intelligens ved Jefferson Lab i mars 2020 og publisert en oppfølgingsrapport, ble Boehnlein og to av hennes medforfattere, Witold Nazarewicz og Michelle Kuchera, inspirert til å gå et skritt videre. Sammen med 15 kolleger som representerte alle delfelt av kjernefysikk, bestemte de seg for å gjennomføre en undersøkelse av tilstanden til maskinlæringsprosjekter innen kjernefysikk.

De startet i begynnelsen. Som forfatterne beskriver, brukte det første betydelige arbeidet med maskinlæring i kjernefysikk datamaskineksperimenter for å studere kjernefysiske egenskaper, slik som atommasser, i 1992. Selv om dette arbeidet antydet maskinlæringens potensial, forble bruken i feltet minimal i mer enn to tiår. I løpet av de siste årene har det endret seg.

Maskinlæring, som innebærer å bygge modeller som kan utføre oppgaver uten eksplisitt instruksjon, krever at datamaskiner gjør spesifikke ting, inkludert kompliserte beregninger. Med nyere fremskritt kan datamaskiner bedre møte disse kravene, noe som har gjort det lettere for fysikere å inkludere maskinlæring i arbeidet sitt.

“Dette ville ha vært en mindre interessant artikkel i 2019, fordi det ikke ville vært nok arbeid å katalogisere. Men nå er det betydelig arbeid å sitere på grunn av den økte bruken av teknikkene,” sa Boehnlein

I dag spenner maskinlæring over alle skalaer og energiområder innen forskning, fra undersøkelser av materiens byggesteiner til undersøkelser om stjerners livssykluser. Det finnes også på tvers av de fire underfeltene av kjernefysikk: teori, eksperiment, akseleratorvitenskap og operasjoner, og datavitenskap.

“Vi gjorde en innsats for å kompilere en omfattende, kollektiv ressurs som bygger bro mellom innsatsen i våre underfelt, som forhåpentligvis vil vekke rike diskusjoner og innovasjon på tvers av kjernefysikk,” sa medforfatter Kuchera, som er førsteamanuensis i fysikk og informatikk ved Davidson College.

Maskinlæringsmodeller kan brukes til å hjelpe både design og utførelse av eksperimenter innen kjernefysikk. De kan også brukes til å hjelpe i analysen av disse eksperimentenes data, som det ofte er i overkant av petabyte av.

“Jeg forventer at maskinlæring vil bli integrert i vår datainnsamling og analyse,” sa Kuchera.

Maskinlæring vil fremskynde disse prosessene, noe som kan bety mindre tid og penger er nødvendig for stråletid, datamaskinbruk og andre eksperimentelle kostnader.

Koble sammen teori og eksperiment

Så langt har imidlertid maskinlæring utviklet det sterkeste fotfestet innen kjernefysisk teori. Nazarewicz, som er atomteoretiker og sjefforsker ved Facility for Rare Isotope Beams ved Michigan State University, er spesielt interessert i dette emnet. Han sier at maskinlæring kan hjelpe teoretikere til å gjøre avanserte beregninger raskere, forbedre og forenkle modeller, lage spådommer og hjelpe teoretikere å forstå usikkerheten i spådommene deres. Den kan også brukes til å studere fenomener som forskere ikke kan utføre eksperimenter på, som supernovaeksplosjoner eller nøytronstjerner.

“Nøytronstjerner er ikke veldig brukervennlige,” sa Nazarewicz.

Han bruker maskinlæring for å studere hypertunge kjerner og grunnstoffer, som har så mange protoner og nøytroner i kjernene at de ikke kan observeres eksperimentelt.

“Jeg synes resultatene er de mest imponerende i teorisamfunnet, spesielt lavenergiteorisamfunnet som Witold er assosiert med,” sa Boehnlein. “Det ser ut til at de virkelig omfavner disse teknikkene.”

Boehnlein sa at teoretikere også har begynt å omfavne disse teknikkene ved Jefferson Lab i deres studier av proton- og nøytronstrukturer. Konkret kan maskinlæring bidra til å trekke ut informasjon fra kompliserte teorier, som f.eks kvantekromodynamikkteorien som beskriver interaksjonene mellom kvarkene og gluonene som utgjør protoner og nøytroner.

Forfatterne spår at maskinlærings involvering i både teori og eksperimenter vil fremskynde disse delfeltene uavhengig, og det vil også bedre sammenkoble dem for å fremskynde hele løkken av den vitenskapelige prosessen.

“Kernefysikk hjelper oss å gjøre oppdagelser for å bedre forstå naturen til universet vårt, og det brukes også til samfunnsmessige anvendelser,” sa Nazarewicz. “Jo raskere vi kan gjøre syklusen mellom eksperiment og teori, jo raskere vil vi komme frem til funn og anvendelser.”

Ettersom maskinlæring fortsetter å vokse på dette feltet, forventer forfatterne å se flere utviklinger og bredere applikasjoner som inkluderer dette verktøyet.

“Jeg tror vi bare er i startfasen av anvendelsen av maskinlæring på kjernefysikk,” sa Boehnlein.

Og underveis vil denne artikkelen fungere som en referanse, selv for sine egne forfattere.

“Jeg håper papiret blir brukt som en ressurs for å forstå den nåværende tilstanden til maskinlæringsforskning, slik at vi kan bygge fra denne innsatsen,” sa Kuchera. “Min forskning er sentrert på maskinlæringsmetoder, så jeg vil absolutt bruke denne artikkelen som et vindu inn i tilstanden til maskinlæring på tvers av kjernekraft. fysikk akkurat nå.”

---

---