اگرچه علوم طبیعی از قبیل فیزیک، شیمی و ریاضیات توانستهاند بسیاری از معماهای ناشناختهی جهان را حل کنند، اما بسیاری از مسائل بنیادی هنوز قابل حل نیستند. توسعه استفاده از رایانهها در بررسی فرایندهای مربوط به خلقت جهان و رازهای آفرینش، گامی موثر در یافتن پاسخی مناسب برای بسیاری از مسائل مربوط به جهان است. فرایندهای مبتنی بر هوش مصنوعی (AI) از قبیل یادگیری ماشین توجه بسیاری از دانشمندان فیزیک نظری را به خود جلب کرده است. با دیپ لوک همراه باشید…
امروزه رایانهها قادر به شکست قهرمانان شطرنج جهان، شبیه سازی فرایند انفجار ستارهها یا پیش بینی شرایط آب و هوایی جهان هستند. انسان، رایانهها را آموزش میدهد تا بدون هیچگونه خطایی، مسائل و مشکلات پیچیده را حل کنند و از طرفی قدرت یادگیری آنها را نیز افزایش میدهد. اکنون فیزیکدانان آزمایشگاه ملی لارنس برکلی و همکارانشان نشان دادهاند که رایانهها برای رازگشایی بزرگترین اسرار جهان، آماده هستند. این تیم، هزاران تصویر از برخورد ذرات با انرژی بالا شبیهسازی کرد تا شبکههای کامپیوتری را برای شناسایی ویژگیهای مهم آنها آموزش دهد.
محققان آرایههای قدرتمندی به نام شبکههای عصبی را برنامهریزی کردند تا بتوانند به عنوان نوعی مغز دیجیتال، تصاویر ذرات شبیهسازی شدهی باقیمانده پس از برخورد را با استفاده از الگوی یادگیری ماشین تجزیه و تحلیل نمایند. در جریان این آزمایش، محققان دریافتند که شبکههای عصبی تا میزان ۹۵ درصد موفق به شناسایی ویژگیهای مهم در نمونهبرداری از حدود ۱۸ هزار تصویر شده اند. گام بعدی این است که فرایند یادگیری ماشین برای دادههای واقعی تجربی استفاده شود. الگوریتمهای قدرتمند یادگیری ماشین منجر به بهبود فرآیند تجزیهتحلیل دادهها توسط این شبکهها شده و در نتیجه پردازش تصاویر بیشتری، صورت خواهد گرفت. در این پژوهش، تکنولوژی اصلی در تشخیص چهره و دیگر انواع برنامههای کاربردی تشخیص چهره مبتنی بر تصویر، مورد استفاده قرار میگیرد.
تصاویری که در این تحقیق استفاده شده، شرایط خلق حالتی از ذرات زیراتمی به نام «سوپ» (SOUP)، حالت مایع بسیار داغ که به عنوان پلاسمای کوارک-گلوئون شناخته میشود، را دوباره فراهم میکند. اعتقاد بر این است که این پلاسمای کوارک-گلوئون در کسری از میلیونیومِ ثانیه پس از تولد جهان ایجاد شده است. یکی از اعضای این تیم تحقیقاتی میگوید:
ما در حال تلاش برای شناخت مهمترین خواص پلاسمای کوارک-گلوئون هستیم. بعضی از این خواص، دارای طول عمر بسیار کوتاه هستند و در مقیاسهای کوچک رخ میدهند که باعث میشود همچنان ناشناخته باقی بمانند.
در این آزمایشها، فیزیکدانان هستهای از برخورد دهندهی ذرات، برای تصادم هستههای سنگین مانند طلا یا سرب که هستههای آنها توسط الکترونها پوشیده شده، استفاده میکنند. اعتقاد بر این است که این برخوردها موجب آزادسازی ذرات درون هستههای اتمی میشوند که منجر به ایجاد جریانی سریع از گلولههای آتشینِ ذرات زیر اتمی میشود که به نوبهی خود باعث تجزیه پروتونها و نوترونها به صورت دریایی از واحدهای ساختاری آنها یعنی کوراکها و گلوئونها میشود.
محققان امیدوارند با یادگیری شرایط دقیقی که در آن پلاسمای کوارک-گلوئون شکل میگیرد، مانند میزان انرژی بستهبندی شده، دما و فشار در زمان انتقال آن به حالت مایع، بینش جدیدی در مورد اجزای ذرات ماده و خواص آنها و همچنین اطلاعات مفیدی در مورد مراحل تشکیل عالم بدست آورند؛ اما اندازهگیری دقیق این خواص (به اصطلاح «معادلهی حالت» که شامل تغییر فاز ماده از یک حالت به حالت دیگر در حین برخورد است)، همچنان یک چالش محسوب میشود. شرایط اولیه بکار برده شده در آزمایشها میتواند نتایج نهایی را تحت تأثیر قرار دهد، بنابراین استخراج اندازهگیریهای معادلات حالتی که مستقل از این شرایط باشند، یک چالش بزرگ است.
در تصویر بالا، نمودار سمت چپ، توزیع ذرات در یک برخورد دهندهی یونی ذرات سنگین با انرژی بالا را شبیه سازی میکند که شامل جزئیات اندازهی حرکت و زاویه ذرات میشود. هزاران تصاویر مشابه برای آموزش و آزمایش یک شبکهی عصبی و شناسایی ویژگیهای مهم در تصاویر مورد استفاده قرار گرفتند. نمودار سمت راست، یک شبکهی عصبی مجموعه تصاویر برای ساخت نقشه اهمیت را نشان میدهد (رنگهای سبکتر نمایانگر مناطقی هستند که بیشتر برای شناسایی معادله حالت برای ماده کوارک-گلوئون ایجاد شده در برخورد ذرات، مورد استفاده قرار میگیرند). محققان میگویند:
هدف نهایی در فیزیک هستهای، مشاهدهی فرایند انتفال فاز در برهمکنشهای با انرژی بالا و سپس تعیین معادله حالت با استفاده از دادههای تجربی است. این، مهمترین ویژگی پلاسمای کوارک-گلوئون است که با استفاده از دادههای تجربی بدست میآید.
محققان همچنین به دنبال یافتن بینشی جدید درباره نیروهای بنیادی کنترل کنندهی برهمکنشهای بین کوارکها و گلوئونها هستند. چیزی که فیزیکدانان از آن به عنوان کرومودینامیک کوانتومی یاد میکنند. Long-Gang Pang، نویسنده اصلی این تحقیق، متوجه شد نوعی AI که به عنوان شبکه عصبی کانولوشنال (convolutional neural network، CNN) عمیق شناخته میشود (با معماری که از فرایندهای تصویربرداری در مغز حیوانات الهام گرفته شده)، برای تجزیه و تحلیل تصاویر علمی، مناسب است.
دانشمندان با استفاده از این نوع یادگیری ماشین ، در حال تلاش برای شناسایی یک الگوی خاص یا همبستگی الگوها هستند که مشخصهی منحصر به فرد معادلهی حالت است. بنابراین شبکه پس از آموزش میتواند به صورت جداگانه، بخشی از ارتباطات و همبستگیهای یک تصویر را در صورت وجود، مشخص کند و این مسئلهای است که دانشمندان در پی حل آن هستند.
جمعآوری دادههایی که برای تجزیه و تحلیل مورد نیاز است، میتواند کاملا محاسباتی باشد، به طوری که در بعضی موارد، زمان تکمیل یک محاسبه برای ایجاد یک تصویر، یک روز به طول خواهد انجامید. هنگامی که محققان مجموعهای از پردازندههای گرافیکی (GPU) را که به طور موازی عمل میکنند، مورد استفاده قرار دادند، زمان انجام محاسبات به ۲۰ دقیقه برای هر تصویر کاهش یافت.
محققان خاطرنشان کردند به کمک شبکه عصبی پیشرفته میتوان ویژگیهایی را شناسایی کرد که حتی در آزمایشهای اولیه نیز شناسایی نشدند، درست مانند یافتن یک سوزن در یک انبار کاه! آنها معتقدند حتی اگر تصاویر دارای وضوح پایینی باشند، امکان دریافت اطلاعات مهم وجود دارد. در حال حاضر، بحث در مورد استفاده از ابزار یادگیری ماشین برای دادههای واقعی آزمایش برخورد یونی ذرات سنگین، مطرح است و نتایج شبیهسازی شده باید در آموزش شبکههای عصبی برای تفسیر دادههای واقعی مفید باشد.
دانلود مقاله اصلی به صورت PDF
منبع: phys.org
لینک کوتاه: https://goo.gl/9rtk8b
گفتگو۱ دیدگاه
با سلام و احترام
من دانشجوی ارشد IT هستم.میخوام پایان نامه کار کنم.موضوعش در مورد نقش یادگیری ماشین در کشف مواد معدنی هستش.اگه امکان داره لطفا راهنمایی کنید.
ممنون