健康教育网
彩色线代表了来自布鲁克州国家实验室在相对论的重离子撞机的星系探测器中发生的颗粒碰撞的计算粒径，以及数字大脑的插图。中心的黄色发光显示在颗粒碰撞中产生的夸克胶质等离子体的流体动力学模拟。
计算机可以击败国际象棋冠军，模拟星星爆炸，并预测全球气候。我们甚至教他们是无可救药者的解决方案和快速学习者。
现在，能源劳伦斯伯克利国家实验室（伯克利实验室）的物理学家及其合作者已经证明了计算机准备解决宇宙最大的奥秘。该团队从模拟的高能粒子碰撞中馈送了数千个图像，以训练计算机网络以识别重要特征。
研究人员编程了强大的阵列，称为神经网络，作为一种寄存的数字大脑，用于分析和解释从碰撞中留下的模拟粒子碎片的图像。在此测试中，研究人员发现，神经网络的成功率高达95％，以识别约18,000个图像的重要特征。
该研究于1月15日公布的自然通信。
下一步将是将与实际实验数据应用相同的机器学习过程。
强大的机器学习算法允许这些网络在处理更多图像时改进它们的分析。底层技术用于面部识别和其他类型的基于图像的对象识别应用程序。
本研究中使用的图像 - 与Brookhaven国家实验室的粒子核物理实验相关的粒子核心核物理实验相关，Cern的大型强子撞机 - 重新创建沉淀粒子“汤”的条件，这是一种称为夸克的过度流体状态-Gluon等离子相信宇宙诞生后的百万分之一。Berkeley Lab物理学家在这两个地点参加实验。
“我们正在努力了解夸克 - 胶质等离子体最重要的属性，”伯克利实验室核科学师核物理学家王家王说，该团队成员。这些属性中的一些是如此短暂的，并且在这种微小的鳞片上发生，它们保持笼罩在谜团中。
在实验中，核物理学家使用颗粒煤机粉碎重核，如金色或剥离电子的铅原子。这些碰撞被认为释放原子核内部的粒子，形成一个短暂的亚底火火球，其甚至将质子和中子分解为其典型的界限构建块的自由浮动形式：夸克和泡沫。
左侧的图表在模拟的高能量重离子碰撞中映射粒子分布，包括有关粒子动量和角度的细节。数以千计的这些图像用于训练和测试神经网络以确定图像中的重要特征。在右侧，一个神经网络使用图像的集合来创建这个“重要性地图” - 较浅的颜色代表被认为更相关的区域，以识别颗粒碰撞中创建的夸克胶原物质的状态方程。
研究人员希望通过学习这种夸克 - 胶质等离子体形式的精确条件，例如填写多少能量，以及其温度和压力在流体状态转变时，它们将获得对其组件物质颗粒的新见解及其属性，以及宇宙的形成阶段。
但是，这些属性的严格测量 - 随着这些碰撞中的一个阶段与另一相的问题发生变化所涉及的所谓的“状态” - 已被证明有挑战性。实验中的初始条件可以影响结果，因此提取独立于这些条件的状态测量是挑战性的。
“在核物理界中，圣杯是在这些高能相互作用中看到相变，然后从实验数据确定状态的等式，”王说。“这是我们尚未从实验中学习的夸克 - 胶质等离子体最重要的财产。”
研究人员还寻求有关管理夸克和泡沫之间相互作用的基本力量的洞察力，物理学家称为量子色动力学。
Long-gang Pang是UC Berkeley最新学习和伯克利实验室附属博士后研究员的龙岗庞，在2016年，虽然他是法兰克福研究所的博士后研究员，但他对潜力感兴趣人工智能（AI）帮助解决挑战性的科学问题。
他看到一种形式的AI，被称为深度卷积神经网络 - 具有由动物大脑中的图像处理过程的架构的架构 - 似乎是分析科学相关图像的良好契合。
“这些网络可以识别模式和评估比赛中的模式和选择的运动，”庞说。“我们想，如果我们有一些视觉科学数据，也许我们可以从中获得抽象概念或有价值的物理信息。”
王某补充道，“随着这种类型的机器学习，我们正试图识别模式的某种模式或相关性，这是一种典型的状态象征。”因此，在培训之后，网络可以在其拥有图像中的部分和相关性的情况下，如果存在与问题科学家最相关的情况，这是试图解决的。
分析所需的数据累积可以是非常计算的密集，庞说，在某些情况下，它需要大约一个完整的计算时间来创建一个图像。当研究人员使用并行工作的GPU阵列时 - GPU是首次创建的图形处理单元，以增强视频游戏效果，并且由于分解为各种用途，因此每次图像切割到大约20分钟的时间。
他们在学习中使用了伯克利实验室国家能源研究科学计算中心（NERSC）的计算资源，大部分计算工作都集中在德国GSI的GPU集群和中国中部师范大学。
研究人员指出，使用复杂神经网络的好处，是他们可以识别甚至在初始实验中尚未寻求的功能，就像在你甚至没有寻找它时发现一个针垛于大海捞针。它们即使从模糊图像中也可以提取有用的细节。
“即使你的分辨率低，你仍然可以获得一些重要的信息，”彭说。
讨论已经开始将机器学习工具应用于来自实际重离子碰撞实验的数据，并且模拟结果应该有助于培训神经网络来解释真实数据。
“在高能粒子物理学中将有许多应用，”王说，超越粒子撞机实验。
出版物：Long-Gang Pang等人，“从深度学习转变的量子米的方程式，”自然通信volume 9，物品编号：210（2018）DOI：10.1038 / S41467-017-02726-3
