Перевод искусственный интеллект. Can machines think
 Скачать 250.78 Kb.
|
|
AI IN PHYSICS The scale of modern physics ranges from the size of a neutron to the size of the Universe (Figure 8). According to the scale, physics can be divided into four categories: particle physics on the scale of neutrons, nuclear physics on the scale of atoms, condensed matter physics on the scale of molecules, and cosmic physics on the scale of the Universe. AI, also called ML, plays an important role in all physics in different scales, since the use of the AI algorithm will be the main trend in data analyses, such as the reconstruction and analysis of images. | ИИ В ФИЗИКЕ Масштаб современной физики колеблется от размера нейтрона до размера Вселенной (рисунок 8). По шкале физику можно разделить на четыре категории: физика элементарных частиц в масштабе нейтронов, ядерная физика в масштабе атомов, физика конденсированных сред в масштабе молекул и космическая физика в масштабе Вселенной. ИИ, также называемый ML, играет важную роль во всей физике в разных масштабах, так как использование алгоритма ИИ будет основным трендом в анализе данных, таких как реконструкция и анализ изображений. |
| Speeding up simulations and identifications of particles with AI There are many applications or explorations of applications of AI in particle physics. We cannot cover all of them here, but only use lattice quantum chromodynamics (LQCD) and the experiments on the Beijing spectrometer (BES) and the large hadron collider (LHC) to illustrate the power of ML in both theoretical and experimental particle physics. LQCD studies the nonperturbative properties of QCD by using Monte Carlo simulations on supercomputers to help us understand the strong interaction that binds quarks together to form nucleons. Markov chain Monte Carlo simulations commonly used in LQCD suffer from topological freezing and critical slowing down as the simulations approach the real situation of the actual world. New algorithms with the help of DL are being proposed and tested to overcome those difficulties.148,149 Physical observables are extracted from LQCD data, whose signal-to-noise ratio deteriorates exponentially. For non-Abelian gauge theories, such as QCD, complicated contour deformations can be optimized by using ML to reduce the variance of LQCD data. Proof-of-principle applications in two dimensions have been studied.150 ML can also be used to reduce the time cost of generating LQCD data.151 On the experimental side, particle identification (PID) plays an important role. Recently, a few PID algorithms on BES-III were developed, and the ANN152 is one of them. Also, extreme gradient boosting has been used for multi-dimensional distribution reweighting, muon identification, and cluster reconstruction, and can improve the muon identification. U-Net is a convolutional network for pixel-level semantic segmentation, which is widely used in CV. It has been applied on BES-III to solve the problem of multi-turn curling track finding for the main drift chamber. The average efficiency and purity for the first turn’s hits is about 91%, at the threshold of 0.85. Current (and future) particle physics experiments are producing a huge amount of data. Machine leaning can be used to discriminate between signal and overwhelming background events. Examples of data analyses on LHC, using supervised ML, can be found in a 2018 collaboration.153 To take the potential advantage of quantum computers forward, quantum ML methods are also being investigated, see, for example, Wu et al.,154 and references therein, for proof-of-concept studies. | Ускорение моделирования и идентификации частиц с помощью ИИ Существует множество применений или исследований приложений ИИ в физике элементарных частиц. Мы не можем охватить их все здесь, но используем только квантовую хромодинамику решетки (LQCD) и эксперименты на пекинском спектрометре (BES) и большом адронном коллайдере (LHC), чтобы проиллюстрировать силу ML как в теоретической, так и в экспериментальной физике элементарных частиц. LQCD изучает непертурбативные свойства КХД, используя моделирование Монте-Карло на суперкомпьютерах, чтобы помочь нам понять сильное взаимодействие, которое связывает кварки вместе с образованием нуклонов. Моделирование цепи Маркова Монте-Карло, обычно используемое в LQCD, страдает от топологического замораживания и критического замедления по мере приближения симуляций к реальной ситуации в реальном мире. Новые алгоритмы с помощью DL предлагаются и тестируются для преодоления этих трудностей.148 149 Физические наблюдаемые объекты извлекаются из данных LQCD, отношение сигнал/шум которых ухудшается экспоненциально. Для неабелевых калибровочных теорий, таких как КХД, сложные контурные деформации могут быть оптимизированы с помощью ML для уменьшения дисперсии данных LQCD. Были изучены практические приложения в двух измерениях.150 ML также может быть использовано для снижения временных затрат на генерацию данных LQCD.151 С экспериментальной стороны идентификация частиц (PID) играет важную роль. Недавно было разработано несколько PID-алгоритмов на BES-III, и ANN152 является одним из них. Кроме того, экстремальное повышение градиента использовалось для многомерного перераспределения, идентификации мюонов и реконструкции кластера и может улучшить идентификацию мюонов. U-Net - это сверточная сеть для семантической сегментации на уровне пикселей, которая широко используется в CV. Он был применен на BES-III для решения проблемы нахождения многооборотной керлинговой дорожки для главной дрифтовой камеры. Средний КПД и чистота для попаданий первого хода составляет около 91%, при пороге 0,85. Текущие (и будущие) эксперименты по физике элементарных частиц производят огромное количество данных. Наклон машины можно использовать для различения сигнальных и подавляющих фоновых событий. Примеры анализа данных на БАК с использованием контролируемого ML можно найти в сотрудничестве 2018 года.153 Чтобы использовать потенциальное преимущество квантовых компьютеров вперед, квантовые методы ML также исследуются, см., например, Wu et al.,154 и ссылки в них, для исследований доказательства концепции. |
| AI makes nuclear physics powerful Cosmic ray muon tomography (Muography)155 is an imaging graphe technology using natural cosmic ray muon radiation rather than artificial radiation to reduce the dangers. As an advantage, this technology can detect high-Z materials without destruction, as muon is sensitive to high-Z materials. The Classification Model Algorithm (CMA) algorithm is based on the classification in the supervised learning and gray system theory, and generates a binary classifier designing and decision function with the input of the muon track, and the output indicates whether the material exists at the location. The AI helps the user to improve the efficiency of the scanning time with muons. AIso, for nuclear detection, the Cs2LiYCl6:Ce (CLYC) signal can react to both electrons and neutrons to create a pulse signal, and can therefore be applied to detect both neutrons and electrons,156 but needs identification of the two particles by analyzing the shapes of the waves, that is n-g ID. The traditional method has been the PSD (pulse shape discrimination) method, which is used to separate the waves of two particles by analyzing the distribution of the pulse information—such as amplitude, width, raise time, fall time, and the two particles that can be separated when the distribution has two separated Gaussian distributions. The traditional PSD can only analyze single-pulse waves, rather than multipulse waves, when two particles react with CLYC closely. But it can be solved by using an ANN method for classification of the six categories (n,g,n + n,n + g,g + n,g). Also, there are several parameters that could be used by AI to improve the reconstruction algorithm with high efficiency and less error. | ИИ делает ядерную физику мощной Мюонная томография космических лучей (Muography)155 - это технология визуализации графа с использованием естественного мюонного излучения космических лучей, а не искусственного излучения для снижения опасности. В качестве преимущества эта технология может обнаруживать материалы с высоким Z без разрушения, так как мюон чувствителен к материалам с высоким Z. Алгоритм классификационной модели (CMA) основан на классификации в контролируемом обучении и теории серых систем и генерирует двоичный классификатор проектирования и функцию принятия решений с входом мюонного трека, а выходные данные указывают, существует ли материал в этом месте. ИИ помогает пользователю повысить эффективность сканирования времени с помощью мюонов. AIso, для ядерного обнаружения, сигнал Cs2LiYCl6: Ce (CLYC) может реагировать как на электроны, так и на нейтроны для создания импульсного сигнала и, следовательно, может быть применен для обнаружения как нейтронов, так и электронов,156, но нуждается в идентификации двух частиц путем анализа формы волн, то есть n-g ID. Традиционным методом был метод PSD (различение формы импульса), который используется для разделения волн двух частиц путем анализа распределения импульсной информации, такой как амплитуда, ширина, время подъема, время падения и две частицы, которые могут быть разделены, когда распределение имеет два разделенных распределения Гаусса. Традиционный PSD может анализировать только одноимпульсные волны, а не многоимпульсные волны, когда две частицы тесно взаимодействуют с CLYC. Но она может быть решена с помощью метода ANN для классификации шести категорий (n,g,n + n,n +g,g + n,g). Кроме того, есть несколько параметров, которые могут быть использованы ИИ для улучшения алгоритма реконструкции с высокой эффективностью и меньшим количеством ошибок. |
| AI-aided condensed matter physics AI opens up a new avenue for physical science, especially when a trove of data is available. Recent works demonstrate that ML provides useful insights to improve the density functional theory (DFT), in which the singleelectron picture of the Kohn-Sham scheme has the difficulty of taking care of the exchange and correlation effects of many-body systems. Yu et al. proposed a Bayesian optimization algorithm to fit the Hubbard U parameter, and the new method can find the optimal Hubbard U through a self-consistent process with good efficiency compared with the linear response method,157 and boost the accuracy to the near-hybrid-functional-level. Snyder et al. developed an ML density functional for a 1D non-interacting non-spin-polarized fermion system to obtain significantly improved kinetic energy. This method enabled a direct approximation of the kinetic energy of a quantum system and can be utilized in orbital-free DFT modeling, and can even bypass the solving of the Kohn-Sham equation—while maintaining the precision to the quantum chemical level when a strong correlation term is included. Recently, FermiNet showed that the many-body quantum mechanics equations can be solved via AI. AI models also show advantages of capturing the interatom force field. In 2010, the Gaussian approximation potential (GAP)158 was introduced as a powerful interatomic force field to describe the interactions between atoms. GAP uses kernel regression and invariant many-body representations, and performs quite well. For instance, it can simulate crystallization of amorphous crystals under high pressure fairly accurately. By employing the smooth overlap of the atomic position kernel (SOAP),159 the accuracy of the potential can be further enhanced and, therefore, the SOAP-GAP can be viewed as a field-leading method for AI molecular dynamic simulation. There are also several other well-developed AI interatomic potentials out there, e.g., crystal graph CNNs provide a widely applicable way of vectorizing crystalline materials; SchNet embeds the continuous-filter convolutional layers into its DNNs for easing molecular dynamic as the potentials are space continuous; DimeNet constructs the directional message passing neural network by adding not only the bond length between atoms but also the bond angle, the dihedral angle, and the interactions between unconnected atoms into the model to obtain good accuracy. | Физика конденсированных сред с помощью ИИ ИИ открывает новый путь для физической науки, особенно когда доступен массив данных. Недавние работы демонстрируют, что ML дает полезную информацию для улучшения теории функционала плотности (DFT), в которой одноэлектронная картина схемы Кона-Шама имеет трудности с заботой об эффектах обмена и корреляции систем с несколькими телами. Yu et al. предложили байесовский алгоритм оптимизации для соответствия параметру Hubbard U, и новый метод может найти оптимальный Hubbard U с помощью самосогласованного процесса с хорошей эффективностью по сравнению с методом линейного отклика157 и повысить точность до почти гибридного функционального уровня. Snyder et al. разработали функционал плотности ML для 1D-невзаимодействующей неспин-поляризованной фермионной системы для получения значительно улучшенной кинетической энергии. Этот метод позволил прямо приблизить кинетическую энергию квантовой системы и может быть использован в безорбитальном DFT-моделировании, и может даже обойти решение уравнения Кона-Шама, сохраняя при этом точность до квантово-химического уровня, когда включен сильный термин корреляции. Недавно FermiNet показал, что уравнения квантовой механики многих тел могут быть решены с помощью ИИ. Модели ИИ также показывают преимущества захвата межатомного силового поля. В 2010 году потенциал приближения Гаусса (GAP)158 был введен как мощное межатомное силовое поле для описания взаимодействий между атомами. GAP использует регрессию ядра и инвариантные многотелесные представления и работает довольно хорошо. Например, он может довольно точно имитировать кристаллизацию аморфных кристаллов под высоким давлением. Используя плавное перекрытие ядра атомного положения (SOAP)159, точность потенциала может быть дополнительно повышена, и, следовательно, SOAP-GAP можно рассматривать как ведущий в полевых условиях метод молекулярно-динамического моделирования ИИ. Существует также несколько других хорошо развитых межатомных потенциалов ИИ, например, CNN кристаллического графа обеспечивают широко применимый способ векторизации кристаллических материалов; SchNet встраивает сверточные слои непрерывного фильтра в свои DNN для облегчения молекулярной динамики, поскольку потенциалы являются пространственными непрерывными; DimeNet конструирует направленное сообщение, проходящее через нейронную сеть, добавляя не только длину связи между атомами, но и угол связи, двугранный угол и взаимодействия между несвязанными атомами в модель для получения хорошей точности. |
| AI helps explore the Universe AI is one of the newest technologies, while astronomy is one of the oldest sciences. When the two meet, new opportunities for scientific breakthroughs are often triggered. Observations and data analysis play a central role in astronomy. The amount of data collected by modern telescopes has reached unprecedented levels, even the most basic task of constructing a catalog has become challenging with traditional source-finding tools.160 Astronomers have developed automated and intelligent source-finding tools based on DL, which not only offer significant advantages in operational speed but also facilitate a comprehensive understanding of the Universe by identifying particular forms of objects that cannot be detected by traditional software and visual inspection.160,161 More than a decade ago, a citizen science project called “Galaxy Zoo” was proposed to help label one million images of galaxies collected by the Sloan Digital Sky Survey (SDSS) by posting images online and recruiting volunteers.162 Larger optical telescopes, in operation or under construction, produce data several orders of magnitude higher than SDSS. Even with volunteers involved, there is no way to analyze the vast amount of data received. The advantages of ML are not limited to source-finding and galaxy classification. In fact, it has a much wider range of applications. For example, CNN plays an important role in detecting and decoding gravitational wave signals in real time, reconstructing all parameters within 2 ms, while traditional algorithms take several days to accomplish the same task.163 Such DL systems have also been used to automatically generate alerts for transients and track asteroids and other fast-moving near-Earth objects, improving detection efficiency by several orders of magnitude. In addition, astrophysicists are exploring the use of neural networks to measure galaxy clusters and study the evolution of the Universe. In addition to the amazing speed, neural networks seem to have a deeper understanding of the data than expected and can recognize more complex patterns, indicating that the “machine” is evolving rather than just learning the characteristics of the input data. | ИИ помогает исследовать Вселенную ИИ является одной из новейших технологий, в то время как астрономия является одной из старейших наук. Когда они встречаются, часто открываются новые возможности для научных прорывов. Наблюдения и анализ данных играют центральную роль в астрономии. Объем данных, собираемых современными телескопами, достиг беспрецедентного уровня, даже самая основная задача построения каталога стала сложной с традиционными инструментами поиска источников.160 Астрономы разработали автоматизированные и интеллектуальные инструменты поиска источников на основе DL, которые не только предлагают значительные преимущества в скорости работы, но и облегчают всестороннее понимание Вселенной путем выявления конкретных форм объектов, которые не могут быть обнаружены традиционными программное обеспечение и визуальный контроль.160 161 Более десяти лет назад был предложен гражданский научный проект под названием «Галактический зоопарк», чтобы помочь маркировать один миллион изображений галактик, собранных Sloan Digital Sky Survey (SDSS), путем размещения изображений в Интернете и найма добровольцев.162 Более крупные оптические телескопы, находящиеся в эксплуатации или в стадии строительства, производят данные на несколько порядков выше, чем SDSS. Даже с участием добровольцев нет никакого способа проанализировать огромное количество полученных данных. Преимущества ML не ограничиваются поиском источников и классификацией галактик. На самом деле, он имеет гораздо более широкий спектр применения. Например, CNN играет важную роль в обнаружении и декодировании сигналов гравитационных волн в режиме реального времени, реконструируя все параметры в течение 2 мс, в то время как традиционным алгоритмам требуется несколько дней для выполнения той же задачи.163 Такие системы DL также использовались для автоматической генерации оповещений о переходных процессах и отслеживания астероидов и других быстро движущихся околоземных объектов, повышая эффективность обнаружения на несколько порядков. Кроме того, астрофизики изучают использование нейронных сетей для измерения скоплений галактик и изучения эволюции Вселенной. В дополнение к удивительной скорости, нейронные сети, похоже, имеют более глубокое понимание данных, чем ожидалось, и могут распознавать более сложные шаблоны, указывая на то, что «машина» развивается, а не просто изучает характеристики входных данных. |