یادگیری بیشتر در مورد ذرات برخورد با یادگیری ماشین

برخورددهنده بزرگ هادرون (LHC) در نزدیکی ژنو سوئیس شد و معروف در سراسر جهان در سال 2012 با تشخیص بوزون هیگز. مشاهده علامت حیاتی تایید مدل استاندارد فیزیک ذرات است که سازماندهی ذرات زیر اتمی به دو گروه شبیه به عناصر در جدول تناوبی از شیمی است.

ایالات متحده آمریکا وزارت انرژی (DOE) آزمایشگاه ملی آرگون ای ساخته شده است که بسیاری از محوری کمک به ساخت و ساز و بهره برداری از اطلس تجربی آشکارساز در LHC به تجزیه و تحلیل سیگنال های ثبت شده توسط آشکارساز که کشف اساسی فیزیک ذرات برخورد. آرگون در حال حاضر بازی نقش سرب در بالا و درخشندگی ارتقاء اطلس آشکارساز برای انجام عملیات است که در حال برنامه ریزی برای شروع در 2027. به این منظور یک تیم از آرگون فیزیکدانان و محاسباتی دانشمندان ابداع کرده است یک ماشین یادگیری مبتنی بر الگوریتم که تخمین چگونه حاضر آشکارساز خواهد پاسخ را به شدت افزایش داده و انتظار می رود با ارتقاء.

به عنوان بزرگترین فیزیک ماشین تا کنون ساخته شده LHC شاخه های دو پرتو پروتون در جهت مخالف در اطراف 17-مایل حلقه تا زمانی که رویکرد نزدیکی سرعت نور شکسته و آنها را با هم و تجزیه و تحلیل برخورد با محصولات غول پیکر, آشکارسازهای مانند اطلس. اطلس ابزار مورد ارتفاع یک ساختمان شش طبقه و وزن آن حدود 7000 تن می باشد. امروز LHC در ادامه به مطالعه بوزون هیگز و همچنین آدرس سوالات اساسی در مورد چگونه و چرا مهم در جهان است که راه آن است.

“بسیاری از سوالات تحقیق در اطلس شامل پیدا کردن یک سوزن در انبار کاه که در آن دانشمندان تنها علاقه مند به پیدا کردن یک رویداد اتفاق می افتد در میان یک میلیارد و دیگران” گفت: Walter هاپکینز دستیار فیزیکدان در آرگون را فیزیک انرژی بالا (HEP) را بدست آورد.

به عنوان بخشی از LHC ارتقاء تلاش در حال حاضر در حال پیشرفت برای افزایش LHC درخشش — تعداد پروتون-به-پروتون تعاملات هر برخورد دو پروتون پرتوهای — توسط یک عامل از پنج. این تولید خواهد شد حدود 10 برابر بیشتر داده ها در هر سال نسبت به آنچه که در حال حاضر به دست آورد توسط LHC آزمایش. چگونه به خوبی آشکارسازهای پاسخ به این افزایش رویداد های رای هنوز هم نیاز به درک. این نیاز به در حال اجرا با عملکرد بالا شبیه سازی های کامپیوتری از آشکارسازهای به دقت ارزیابی فرآیندهای شناخته شده ناشی از LHC برخورد. این مقیاس شبیه سازی های پر هزینه هستند و تقاضا تکه های زیادی از محاسبات زمان در جهان بهترین و قدرتمند ترین ابر رایانه.

این آرگون تیم ایجاد کرده است یک ماشین یادگیری الگوریتم است که اجرا می شود به عنوان یک مقدماتی شبیه سازی قبل از هر مقیاس کامل شبیه سازی می کند. این الگوریتم تخمین های بسیار سریع و کم هزینه راه, چگونه حاضر آشکارساز خواهد پاسخ را به شدت افزایش داده و انتظار می رود با ارتقاء. آن را شامل شبیه سازی آشکارساز پاسخ به یک ذره-برخورد آزمایش و بازسازی اشیاء از فرآیندهای فیزیکی. این بازسازی اشیاء شامل جت یا اسپری ذرات و همچنین به عنوان فردی مانند ذرات الکترون ها و muons.

“کشف جدید فیزیک در LHC و در جای دیگر خواسته های همیشه پیچیده تر روش برای تجزیه و تحلیل داده های بزرگ” گفت: Doug بنیامین محاسباتی دانشمند در HEP. “این روزها که معمولا به معنی استفاده از یادگیری ماشین و هوش مصنوعی تکنیک است.”

قبلا با استفاده از روش تجزیه و تحلیل اولیه برای شبیه سازی باید کار نیست الگوریتم های یادگیری ماشین و وقت گیر هستند زیرا آنها شامل به صورت دستی به روز رسانی تجربی پارامترهای زمانی که شرایط در LHC تغییر دهید. برخی نیز ممکن است از دست داده های مهم همبستگی برای یک مجموعه داده از ورودی متغیر به یک آزمایش است. این آرگون-طراحی و توسعه الگوریتم یاد می گیرد در زمان واقعی در حالی که یک آموزش روش استفاده از ویژگی های مختلف است که نیاز به معرفی از طریق دقیق و کامل شبیه سازی در نتیجه اجتناب از نیاز به توسعۀ تجربی پارامترهای. این روش همچنین می توانید ضبط پیچیده interdependencies از متغیرهای شده اند که ممکن است قبل از.

“با ما stripped-down, شبیه سازی, شما می توانید یادگیری اصول اولیه در مقایسه با کمی هزینه محاسباتی و زمان و سپس شما می تواند بسیار موثر تر ادامه با شبیه سازی در تاریخ بعد گفت:” هاپکینز. “ما یادگیری ماشین الگوریتم نیز فراهم می کند کاربران با بهتر تبعیض آمیز قدرت که در آن به نگاه جدید و یا حوادث نادر در یک آزمایش,” او اضافه شده است.

این تیم را الگوریتم می تواند ثابت کند بسیار ارزشمند نه تنها برای ATLAS اما برای چندین تجربی آشکارسازهای در LHC به عنوان به خوبی به عنوان دیگر ذرات فیزیک آزمایش های در حال انجام در سراسر جهان است.

داستان منبع:

مواد ارائه شده توسط سازمان حفاظت محیط زیست/Argonne National Laboratory. Original نوشته شده توسط Joseph E. هارمون. توجه داشته باشید: محتوا ممکن است برای ویرایش سبک و طول.

tinyurlis.gdv.gdv.htclck.ruulvis.net