Andrej Usztjuzsanin— A Nemzeti Kutatóegyetem Közgazdaságtudományi Felsőoktatási Iskola Big Data Elemzési Módszerek Kutató és Oktatási Laboratóriumának vezetője.
2000-ben diplomázott a Moszkvai Fizikai és Technológiai Intézetben, a fizikai és matematikai tudományok kandidátusa. A Microsoft Imagine Cup nemzetközi döntőjének egyik bírája, előtte a 2005-ben kupagyőztes MIPT csapat mentora volt.
Hogyan lehet anomáliákat keresni a Nagy Hadronütköztető adataiban
Mik azok az adatok anomáliák?
— Ha a felhasználásával nyert adatokról beszélünkA Large Hadron Collider (LHC) olyan felfedezések lehetnek, amelyek nem illenek bele a protonütközések utáni részecskebomlási szokásokba. Ezek a felfedezések anomáliák lesznek.
Például, ha az eszközjegyzésekről beszélünka tőzsdén, akkor az anomáliák abból adódhatnak, hogy egy bizonyos fedezeti alap úgy döntött, hogy eszközt pumpál, vagy a Wall Street Bets úgy döntött, hogy plusz pénzt keres, és létrehozta saját elosztott fedezeti alapot. Vagyis a fizika teljesen más, és ennek a fizikanak az adatokban való megnyilvánulása sem hasonlít más esetekhez.
Ezért, ha anomáliákról beszélünk, először meg kell értenünk, hogy milyen adatokról és milyen fizikáról van szó.
— Akkor tisztázzuk az ütköztetőkre összpontosítva.
- Itt egy kicsit könnyebb, bár ez is felmerülVilla. A tény az, hogy vannak adatok arról, hogy milyen folyamatok mennek végbe a részecskékkel a detektor belsejében. És vannak adatok arról, hogyan működik ez az ütköző. Azok az emberek, akiket elsősorban új részecskék vagy törvények felfedezése érdekel, főként az első típusú adatok iránt érdeklődnek. De tény, hogy minden, ami a fizikában történik, egy meglehetősen hosszú láncon megy keresztül ezen információk gyűjtésének és feldolgozásának. És ha ennek a láncnak valamelyik csomópontja nem kezd úgy viselkedni, ahogy elképzeltük, vagyis túllép a megengedett határokon, az torzulást okoz a mérésekben. Láthatunk anomáliákat azon a helyen, ahol a fizikában általában nem voltak.
Azok a felfedezések, amelyek nem illeszkednek a protonok ütközése után fellépő részecskebomlási elgondolásokba, anomáliák lesznek.
Az ilyen kellemetlen események elkerülése érdekében az emberekspeciális adatminőség-ellenőrző rendszereket írnak, amelyek a mérőműszerekben lévő összes adatot figyelik, és igyekeznek kizárni a mérlegelésből azokat az időszakokat, amikor felmerül a gyanú, hogy valami baj van.
Az egyik példa, amelyről az emberek szeretnek beszélniAz LHC fizikusai az volt, hogy az ütközőgép működésének korai szakaszában olyan anomáliákat észleltek, amelyek nem illeszkedtek a fizikai fogalmakba. Még nem volt LHC, hanem az előző verziója. Ennek eredményeként a fizikusok azt találták, hogy nagyon komoly az összefüggés a közelben található vasúti menetrenddel. Ha pedig módosítja ezeket az ingadozásokat, akkor nem fizikai képet kap a világról.
Figyelembe kell venni a külső tényezőket és tudni kellmegérteni, hogy közülük melyiket kell helyesen kompenzálni. A legegyszerűbb megoldás: dobjuk ki azokat az adatokat, amelyek nem férnek bele a megszokott világképbe. Az összetettebb történetek célja, hogy ezeket az anomáliákat érthető és fizikai elvek segítségével visszaállítsák a normál adatokhoz, és megpróbáljanak hasznot húzni belőlük.
Az adatok kidobása a költségvetési források pazarlása. Minden kilobyte-megabájtnak van egy bizonyos ára.
Andrey Ustyuzhanin, a National Research University Higher School of Economics Big Data Analysis Módszerekkel foglalkozó Kutató és Oktatási Laboratóriumának vezetője
- És ennek megfelelően hogyan lehet gépi tanulási rendszerrel kimutatni az anomáliát ezekben az adatokban?
— Az ilyen algoritmusoknak két csoportja van, amelyekdolgozzon az anomáliákkal. Az egyosztályos osztályozási módszerek első csoportjába azok az algoritmusok tartoznak, amelyek csak a jóként megjelölt eseményekről használnak információkat. Vagyis egy domború hajótestet próbálnak építeni, ami mindent magába zár, amit helyesnek tartunk. A logika a következő: mindent, ami túlmutat ezen a héjon, anomáliákat fogunk figyelembe venni. Vagyis például az adatok 99%-át lefedi egy ilyen shell, és minden más gyanúsnak tűnik.
Az algoritmusok másik csoportja a részlegesen támaszkodikmegjelölni azt, amit rossznak tartunk. Lényegében van egy sor olyan esemény, amelyekről ismert, hogy nemkívánatos következményekkel járnak. És akkor az anomáliák keresése egy kétosztályos osztályozási problémához vezet. Ez egy normál osztályozó, amely a neurális hálózatok vagy döntési fák elveire építhető.
Az árnyalat az, hogy általában a feladatokbananomáliák, a minta nem kiegyensúlyozott. Vagyis a pozitív példák száma jelentősen meghaladja a negatív példák számát. Ilyen körülmények között előfordulhat, hogy a szabványos osztályozási algoritmusok nem működnek olyan jól, mint szeretnénk. Az alapértelmezett veszteségfüggvény egyformán kezeli a helyesen minősített példányokat, és figyelmen kívül hagyhatja azt a tényt, hogy a 10 000 helyes eredmény között száz van, amely helytelenül minősíthető. Ez a száz csak azokat a negatív példákat jelenti, amelyek a legérdekesebbek. Nyilvánvaló, hogy ez ellen például úgy lehet küzdeni, ha a negatív példáknak nagyobb súlyt tulajdonítanak, és sokkal nagyobb súllyal veszik figyelembe a besorolási hibákat.
Veszteség funkció- olyan függvény, amely a statisztikai döntések elméletében a megfigyelt adatok alapján a helytelen döntéshozatalból eredő veszteségeket jellemzi.
Laboratóriumunk hozzájárulása a probléma megoldásáhozAz anomáliák kimutatása olyan módszereket javasol, amelyek egyesítik az első és a második megközelítés jellemzőit. Vagyis az egyosztályos és kétosztályos osztályozással való munkavégzés feladata. Egy ilyen kombináció akkor válik lehetségessé, ha rendhagyó példákról generatív modelleket készítünk.
Olyan megközelítések használata, mint a generatívAz ellenséges hálózatok vagy az áramlások normalizálása esetén megtanulhatjuk a negatívként megjelölt példák helyreállítását, és egy extra mintát generálhatunk, amely lehetővé teszi a normál osztályozó számára, hogy hatékonyabban dolgozzon a kiterjesztett szintetikus mintával. Ez a megközelítés jól működik táblázatos adatok és képek esetén is. Erről tavaly volt egy cikk, ami leírja, hogyan épül fel egy ilyen rendszer, és gyakorlati példákat ad a felhasználására.
– Említetted a képekkel való munkát. Hogyan működik ez ebben az esetben?
— Vannak példák, amelyekben bemutattuk a munkátezt az algoritmust. Egyszerűen kiválasztottak egy képosztályt: például kézzel írt számokat. És azt mondták, hogy a nulla valamiféle anomália. És megkérték a neurális hálózatot, amely úgy dönt, hogy a nullák nem olyanok, mint minden más, hogy rendeljék a negatív osztályhoz. Természetesen ezek nem csak nullák lehetnek, hanem például olyan számok is, amelyeken belül vannak zárt ciklusok - 068 - vagy vízszintes metszéspontú számok. Vagy egyszerűen csak a képek valamilyen szögben elforgatva a minta többi részéhez képest.
„Bizonyos körülmények között szimulálhatjuk a fizikáta külső paramétereket jó pontossággal, és mondja meg, hogy milyen megfigyelhető jellemzők írják le a megfelelő jeleseményeket, például a Higgs-bozon bomlását."
Van egy omniglot nevű adatkészlet -különböző betűtípusokkal írt betűk. Rengeteg betűtípus létezik: Futurama, gótikus, népszerűtlen ábécékből kézzel írt - szanszkrit vagy héber. Mondhatjuk, hogy a szanszkrit betűi anomália, a bizonyos kézírással írt betűk is.
Arra kérjük a rendszert, hogy tanuljon meg mindent megkülönböztetnia többi ezekből az anomális szimbólumokból. A lényeg az, hogy sokkal kisebbek, mint minden más. Ez a velük való munka nehézsége a hagyományos gépi tanulási algoritmusok esetében.
A fizika és az IT szimbiózisa: hogyan használják a gépi tanulást az LHC-kutatásban
— Milyen feladatokat old meg az LHC a gépi tanulás segítségével?
– Az egyik nagy feladat, amivel dolgozunkcélja a fizikai ütközéseket és a részecskebomlást szimuláló számítási folyamatok felgyorsítása. Az a tény, hogy a döntés arról, hogy az adott események hasonlóak-e bizonyos fizikai bomlásokhoz vagy sem, meglehetősen nagy számú szimulált bomlás elemzése után születik meg. Jó pontossággal szimulálhatjuk a fizikát bizonyos külső paraméterek mellett, és megmondhatjuk, hogy milyen megfigyelhető jellemzők írják le a megfelelő jeleseményeket, például a Higgs-bozon bomlását.
De vannak bizonyos figyelmeztetések:Nem mindig ismerjük azokat a paramétereket, amelyek mellett ezeket a bomlásokat elő kell állítani. Általános szabály, hogy van egy bizonyos elképzelés ezzel kapcsolatban. A megfelelő fizika megtalálásának kihívása pedig az, hogy meg tudjuk különböztetni a jeles eseményeket a háttéreseményektől, amelyek vagy a helyreállítási algoritmusok hibás működésével, vagy más folyamatok fizikájával hozhatók összefüggésbe, amelyek nagyon hasonlóak ahhoz, amit keresünk. A gépi tanulási algoritmusok jó munkát végeznek ebben, de ez egy jól ismert történet.
De az ilyen algoritmusok betanításához ez szükségesszimulált események meglehetősen nagy statisztikai mintája, és ezeknek a szintetikus adatoknak a kiszámítása bizonyos erőforrásokat igényel. Ugyanis egy-egy esemény szimulációja a modern számítástechnikai központok számítási idejéből körülbelül egy vagy akár tíz percet vesz igénybe. Tekintettel arra, hogy az elkövetkező években nagyságrendekkel megnő azoknak a valós eseményeknek a száma, amelyekkel a fizikusok dolgoznak, a szintetizált események számának is növekednie kell. Jelenleg a számítási erőforrások alig elegendőek a kutatók igényeinek fedezésére. Ugyanis egy esemény szimulálásához ki kell számítanunk a mikrorészecskék kölcsönhatását a detektor szerkezetével, és nagyon nagy pontossággal szimulálnunk kell azt a választ, amelyet ennek a detektornak az érzékelőin fogunk látni.
A gyorsítás ötlete a neurális hálózat képzéseolyan eseményeken, amelyeket egy hitelesített csomag segítségével szimuláltak - GMT 4, amely mindent szimulál, ami az ütköződetektorokon belül történik. Ez a neuron megtanulja összehasonlítani a bemeneteket, a szimulálni kívánt részecskék paramétereit és a kimeneteket - azokat a megfigyelhető jellemzőket, amelyeket a detektor produkál. A neurális hálózatok ma már elég jól megbirkóznak az adatinterpoláció feladatával. Laboratóriumunkban több projekt is pontosan ezt célozza. Vagyis a rendelkezésre álló szintetikus mintából visszaállítani a bomlási jellemzőket, vagyis ilyen másodrendű szintetikus anyagokat készíteni. De van egy árnyalat: a neurális hálózatok előnye, hogy valós adatok felhasználásával finomhangolhatjuk őket. Vagyis pontosítsa ezt a beállítást egy adott fizikai bomlás esetén.
Emberek, akik teljes értékű fizikai tevékenységet folytatnakszimuláció, idejüket és energiájukat fordítják erre, de a neuronoknál ez kicsit kevésbé munkaigényesnek bizonyul. A CERN-i LHTV-kísérlet és a nicai gyorsító Dubna MPD-kísérleti projektjének eredményeiből világossá vált, hogy a neurális hálózatok nagyon nagy pontosságot tudnak elérni a szimulált események fázisterének lefedésében. Jelentősen felgyorsítják a számítási folyamatot: a rendeléseket, sőt több százat gyorsabban, mint egy őszinte szimuláció.
— Hogyan tanul maga a neurális hálózat?
— A tanulási folyamatban nincsenek különbségek.De van egy sajátosság: egy neurális hálózathoz a betanítási mintán kívül meg kell fogalmazni a minőségi kritériumokat, vagyis be kell állítani egy veszteségi függvényt, amely a legjobban megfelelne annak a feladatnak, amellyel ennek a hálózatnak jól meg kell birkóznia. Ráadásul egy ilyen neurális hálózat munkájának minőségét a kutatók nem értékelik: az adatfeldolgozás későbbi szakaszában előforduló számítási lépések tekintetében megfelelően értékelhető.
Meg tudjuk határozni, hogy egy szimuláció jó-e vagy semcsak azután, hogy átvezetjük az eseményeket elemzésük, rekonstrukciójuk láncolatán, és megértjük, hogy ugyanazok a tulajdonságok állnak vissza belőlük, amelyeket eredetileg lefektettünk bennük. Ez azt jelenti, hogy például egy egyszerű MSE Mean Squared Error metrika nem elegendő.
MSE Mean Squared Error- a becsült értékek és a tényleges érték közötti négyzetes különbséget méri.
A neurális hálózat viselkedését tovább kell értékelniolyan paraméter-tartományok jellemzői, amelyek esetleg nem voltak jelen a betanítási készletben. Olyan modellek felépítése, amelyek jóval a betanítási szakaszban ismert paraméterértékeken túl viselkednek, nagy és elméleti feladat.
A neurális hálózatok jók ott, ahol vannaktudott valamit a képzési szakaszban. Rajtuk kívül bármit kiadhatnak, amit akarnak. A mi esetünkben ez különösen érzékeny, mert ezen múlik a minket körülvevő valóság fizikai értelmezésének helyessége.
"Ha egy sötét anyag részecske olyan részecskékre bomlik, amelyekkel tudjuk, hogyan kell kölcsönhatásba lépni, akkor feltételezhető, hogy ez a sötét anyag részecske valóban az volt."
- Vagyis a neurális hálózat olyan ritka eseményeket keres, amelyek az ütközőnél előfordulhatnak?
— A generatív modellek működése alapján, azazElőször is, mindannak a szintéziséről beszélünk, ami megtörténhet. Ezt miniatűr modellekkel tesszük. Az ilyen hálózatok kimenetén pedig olyan modellt építhetünk, amely azt keresi, amire szükségünk van: amit generatív neurális hálózaton sikerült generálnunk.
Hogyan keressünk sötét anyagot, és miért van szükség neurális hálózatokra
— Alkalmazható-e hasonló keresési elv a sötét anyagra?
- Az tény, hogy a sötét anyag kereshetőkülönböző utak. Az egyik módja egy megfelelő detektor építése, amely elég jól el tud szigetelni a közönséges anyagok hatásaitól. Vagyis blokkolni azt a jelet, amely a fizikusok által ismert részecskékből származik. Ez csak egy kiküszöbölési módszer: ha a detektor a zajon kívül mást is lát, akkor olyat lát, amit még soha nem láttunk. Az egyik lehetőség az lenne, hogy ezek sötét anyag részecskék.
Ha például egy sötét anyag részecskerészecskékre bomlik, amelyekkel tudjuk, hogyan kell kölcsönhatásba lépni, és nyilvánvaló, hogy a bomlás nyomai sehonnan nem jelenhettek meg, csakis onnan, akkor feltételezhetjük, hogy ez a sötét anyag részecske valóban az volt.
Az ilyen kísérleteket megvitatják és megtervezik.Az egyik a SHiP (Rejtett részecskék keresése). És mellesleg egy ilyen kísérlethez azok a megközelítések is alkalmazhatók, amelyekről beszéltem. Szimulációt és algoritmusokat igényel a ritka megközelítések felismeréséhez. De mivel ennek a kísérletnek a fényessége jóval alacsonyabb (a fényerő az egységnyi idő alatt kimutatni tervezett részecskék száma), a nagyszámú hasonló esemény szimulációjának szükségessége nem olyan akut, mint a Hadronütköztető esetében. detektorok. Bár például a fizika által ismert részecskék elleni védelmi rendszer minőségének felmérésével járó feladat meglehetősen nagyszámú esemény szimulációját igényli. Erre azért van szükség, hogy megbizonyosodjunk arról, hogy a védelem jól működjön a hatalmas számú, különböző típusú bejövő részecskével.
Hajóegy kísérlet, amelynek célja a rejtett megtalálásarészecskék, beleértve a sötét anyag részecskéit is, az SPS-gyorsítóból származó részecskeáramban, amelyet mágneses mezők szűrnek, egy ötméteres beton- és fémréteg.
Vannak más módok is a sötét anyag keresésére,térjelenségek megfigyeléseivel kapcsolatos. Az egyik megközelítés az, hogy olyan érzékeny elemeket építsenek fel, amelyek felismerik a nagyon gyengén kölcsönható részecskék irányát a részecske beesési szögétől függően. A kísérlet logikája az, hogy az érzékeny elemeket úgy lehet elhelyezni, hogy azok a Naprendszer mozgásvektora mentén, azaz a Cygnus csillagkép felé orientálódjanak. Ekkor meg tudjuk majd különböztetni a Föld koordinátarendszerében mozgó részecskéket az eltérően mozgó részecskéktől. Mint a mozdulatlan éter, amely a világűrben saját törvényei szerint oszlik el, semmilyen módon nem kapcsolódik a bolygók tájolásához és mozgási irányához. Csak arról van szó, hogy éter helyett sötét anyag részecskéket feltételeznek. Gyengén tudnak kölcsönhatásba lépni a kísérletünk érzékelőivel. Leolvasásaik elemzésével pedig levezethetők a kölcsönható részecskék szögeloszlási mintái. Ha azt látjuk, hogy van egy komoly komponens, amely nem függ a Föld űrbeli helyzetétől, az korábban ismeretlen részecskék létezését jelzi. És talán ezek a sötét anyag részecskéi lesznek.
Egy ilyen kísérletben a szimuláció nagyon fontos,mert a jelesemények felismerésére szolgáló algoritmus felépítéséhez el kell képzelni, hogy néz ki a minket érdeklő jel. Ezért a gyors szimulációval és az anomáliák keresésével kapcsolatos feladatok ott relevánsak és alkalmazhatók.
Különböző nyelveket beszélnek, de a célok közösek
Beszéljünk a CERN-nél végzett munkáról. Milyen egy informatikusnak fizikusokkal dolgozni? Milyen jellemzők társulnak az olyan tudományokon átívelő térben végzett munkához, mint az LHC?
- Jó kérdés.Valójában az emberek különböző nyelveket beszélnek: eljut odáig, hogy ugyanazokat a fogalmakat különböző módon ábrázolják grafikusan. Például a gépi tanulással foglalkozó szakemberek által megszokott ROC-görbéket a fizikában általában 90 fokkal elforgatva rajzolják meg. A koordinátákat pedig nem valódi pozitív aránynak és hamis negatív aránynak hívják, hanem jelhatékonyságnak és háttérelutasításnak. Ezen túlmenően, ha a jelhatékonyság továbbra is Precíziós, akkor a háttérelutasítás egy mínusz a valódi negatív arány.
ROC-görbe (az angol vevő működési karakterisztikából, vevő működési karakterisztikából)— egy grafikon, amely lehetővé teszi a bináris minőségének értékelésétosztályozások. Megjeleníti a kapcsolatot az attribútumhordozók teljes számából származó objektumok részesedése között, amelyek helyesen vannak besorolva az attribútumot hordozóként, és az attribútumot nem hordozó objektumok teljes számából származó objektumok részesedése között, amelyek helytelenül vannak besorolva az attribútumot hordozóként.
Nyilvánvaló, hogy ilyen dolgok előfordulhatnakfelületek és viszonylag könnyen megszokhatók, de a fő kihívások a kutatók által dolgozataik megírásakor megfogalmazott néhány alapvető feltevés megértésében rejlenek. És általában túl vannak azon, amiről írnak. Vagyis ez egy titkos tudás, amelyet az ember a posztgraduális képzés során, a kutatási projektjein való munka során továbbít, az elméjében formálódik.
A tudomány másik területéről származó emberek számára ez olyaneltérő kulturális környezet. Számukra ezek a feltételezések nem biztos, hogy olyan nyilvánvalóak. Tekintettel arra, hogy a lexikon meglehetősen kiterjedtnek és változatosnak bizonyul, a párbeszéd felépítése elhúzódhat, vagy akár terméketlen is lehet. Ezért itt, ajánlásként, valószínűleg azt tanácsolhatjuk, hogy kérjék meg az embereket, hogy lépjenek túl azon, amit megszoktak, és a fizikától a legelvontabb kifejezésekkel fogalmazzák meg a problémát. Ezt részben akkor tesszük, amikor versenyeket szervezünk az IDAL Olimpiánk részeként. A párbeszéd során olyan beállítást találunk, amely nem igényelne mély elmélyülést a fizikában, ugyanakkor érdekes lenne a gépi tanulással foglalkozó szakemberek számára.
Ebben az évben volt egy közös projektünkegy olasz laboratórium, amely sötét anyagot keres. Szintetikus adatokat szolgáltattak az olimpiához, hogy megtalálják ezt a sötét anyagot. Sötét anyag valóban nincs ott, mert az ismert fizika bomlásait szimulálták: elektronok és héliumionok ütközéseit. De a sötét anyag részecskéinek ütközései nagyon hasonlóak lehetnek ezekhez az ütközésekhez. Nagyon nehéz szimulálni és még nehezebb értelmezni. Ezért, különösen azoknak, akik nem szakértők ezen a területen, úgy döntöttünk, hogy nem húzzuk ki ezeket az adatokat, és csak azokra korlátozzuk magunkat, amelyek hasonlóak. Az algoritmusok, amelyeket látni fogunk, közelítő adatokon működnek, de valós adatokra is alkalmazhatók.
Andrej Usztjuzsanin. Fotó az előadó archívumából
Összegezve, az egyik mód az, hogy mindenki számára egyértelmű feltételekben állapodjunk meg, a másik pedig az, hogy időt és erőfeszítést költünk, nyári iskolákban veszünk részt, gyakorlati kutatási projektekben veszünk részt.
Andrey Ustyuzhanin által ajánlott könyvek a gépi tanulásról és a fizikai kísérletekről:
- Deepak Kar,Kísérleti részecskefizika: A nagy hadronütköztetőnél végzett mérések és keresések megértése.
- Ilja Narszkij,Statisztikai elemzési technikák a részecskefizikában: illeszkedések, sűrűségbecslés és felügyelt tanulás.
- Giuseppe Carleo,A gépi tanulás és a fizikai tudományok.
- Van-e ellentmondás a fizikusok és az informatikusok értékei között: például valakinek fontosabb az interakciók természete, vagy éppen ellenkezőleg, a pontosság?
— Ha kifejezetten a pontosságról beszélünk, valószínűlegnincs kétértelműség. De ez inkább annak tudható be, hogy az informatikusok nem értik az adatok természetét. Csak ha milliméteres pontossággal mértük az adatokat, akkor nincs értelme négyzetmikron pontossággal kiszámítani a területet. Az összetett neurális hálózatok esetében azzal a ténnyel szembesülünk, hogy a mantissza utolsó jeléig pontos információt állítanak elő, de ezeknek a jeleknek nincs több értelme, mint a bemeneti pontosságnak.
Nos, talán általános kívánság az embereknekAmi a modellek pontosságának értékelésével foglalkozik, az az, hogy ne csak az abszolút jellemzőket adja meg, hanem az elfogadható tartományok határait vagy azt a szórást is, amelyben ezeket az értékeket kaptuk. Tulajdonképpen jó ajánlás nem csak azoknak, akik fizikusokkal vagy biológusokkal érintkeznek. Elvileg ez a helyes módja a kapott eredmények bemutatásának.
És ha már arról beszélünk, hogy mennyi leheteltérő elvárások az egyik és a másik oldalon, akkor ezek mind működő kérdések, sőt. Ha mindkét oldalon van érdeklődés, egyszerűen és jól meg lehet oldani. Vagyis a tágabb értelemben vett fizikusok körében ma már igény van a gépi tanulásra, mert pontosabb eszközöket biztosít az adataikkal való munkavégzéshez. És ez fordítva is működik, mert a gépi tanulással foglalkozó szakemberek számára sokkal érdekesebb lehet látni, hogy algoritmusaik hogyan segítik például az új részecskék felfedezését, ahogyan az a mi laboratóriumunkban történik. Hosszú ideig dolgoztunk egy olyan algoritmus létrehozásán, amely meghatározza a részecske típusát. Nemrég pedig új tetrakvarkok felfedezéséről érkeztek hírek, és algoritmusaink közvetlenül részt vettek felfedezésükben.
Ezért az informatikusoknak, feltételesen a Data Science-től,Számítástechnika, nagyon fontos az általuk kifejlesztett algoritmusok hasznosságának átérzése. Ezért a mi karunkon például működik egy Nemzetközi Bioinformatikai Laboratórium.
Az ilyen interakciók egyre gyakoribbá válnakegyre normálisabb. Nem tudom, hogy már mainstreamnek tekinthetők-e, vagy még várnunk kell, de így vagy úgy ez a történet elkerülhetetlen. Még ha megnézzük a mai vezető mesterséges intelligenciával foglalkozó konferenciák keretében szervezett workshopokat, az AI fizikai tudományokban való felhasználásával foglalkozó workshop az érdeklődők számában vezető helyet foglal el.
Olvass tovább:
Az amerikai műhold szokatlan üzenetet "látott" a Földről
Közzétett videó a rakétáról, amelyet egy kísérleti gyorsítóról indítottak
A szörny a galaxisunk közepén: nézze meg a Tejútrendszerben lévő fekete lyuk fényképét