Fisica: più semplice la ricerca di nuove particelle con il deep learning

Completamente automatizzato il "deep learning" dai computer migliora notevolmente le probabilità di scoprire particelle, come il bosone di Higgs, battendo le abilità anche di fisici veterani, secondo i risultati risultati dello studio dei ricercatori dell'Università Irvine della California pubblicati oggi sulla rivista Nature Communications. "Siamo entusiasti con la pubblicazione del nostro lavoro", ha detto il co-autore Pierre Baldi, docente della Cancelleria di informatica "e ancora di più con la speranza che il deep learning possa aiutare a risolvere le questioni aperte sulla natura della materia, della gravità e l'origine dell'universo".

Baldi, insieme con il ricercatore Peter Sadowski e il professore associato di fisica e astronomia Daniel Whiteson, hanno trovato metodi più rapidi e più efficienti per analizzare i dati ottenuti dagli acceleratori di particelle e dai collisori usati per meglio individuare le particelle rare. Il bosone di Higgs - prima teorizzato nel 1964 e la cui esistenza è stata finalmente confermata nel 2012 al massiccio, sotterraneo Large Hadron Collider nei pressi di Ginevra, Svizzera - potrebbe contribuire a spiegare perché alcune particelle hanno massa, tra le altre questioni primarie della fisica. 

Trovare queste particelle necessita lo smistamento di dati rilevanti da enormi quantità di rumore di fondo; tecniche di apprendimento automatico sono già utilizzate in analisi di questi set di "big data". "Il machine learning è una branca della scienza informatica dove, piuttosto che programmare i computer per svolgere un compito difficile, i computer imparano automaticamente da esempi", ha spiegato Baldi. "E 'molto difficile scrivere da zero un programma in grado di riconoscere gli elefanti in immagini - o bosoni di Higgs nei dati collisori. Ma siamo in grado di fornire al computer molti esempi di immagini con e senza elefanti, o dati di accelerazione con e senza bosoni di Higgs, e lasciare che il computer impari automaticamente da questi esempi".

Attualmente, i fisici elaborano a mano formule matematiche che si applicano ai dati per ricavare le caratteristiche che stanno cercando, che vengono poi confluiscono in programmi di apprendimento della macchina. Utilizzando i recenti progressi nell'apprendimento profondo, in cui i computer imparano automaticamente a più livelli di elaborazione, il team UCI ha eliminato la necessità della creazione manuale che richiede tempo dper quelle formule nella ricerca di queste particelle sfuggenti - che non esistono anche nel nostro universo in condizioni normali.

"Queste nuove reti di apprendimento intelligenti profonde, si sono dimostrate migliori nel trovare accenni di nuove particelle rispetto ai metodi di apprendimento automatico del passato - e di fisici con anni di esperienza", ha detto Whiteson. "Loro non hanno bisogno di alcun aiuto dall'intuizione umana, raggiungendo un livello di apprendimento automatico che è stato un obiettivo di lunga data in fisica delle alte energie". In esperimenti di computer utilizzando dati simulati con strutture attenzionate, i metodi dei ricercatori UCI hanno portato a un aumento statisticamente significativo dell'8% nella rilevazione di queste particelle.  Le tecniche possono essere impiegate negli esperimenti in programma per il 2015 presso il Large Hadron Collider, ha detto Baldi.

Fonte: UCI