Andrejus Ustyuzhaninas— Nacionalinių tyrimų universiteto Aukštosios ekonomikos mokyklos Didžiųjų duomenų analizės metodų tyrimų ir edukacinės laboratorijos vadovas.
2000 m. baigė Maskvos fizikos ir technologijos institutą, fizinių ir matematikos mokslų kandidatas. Vienas iš „Microsoft Imagine Cup“ tarptautinių finalų teisėjų, prieš tai buvo 2005 metais taurę laimėjusios MIPT komandos mentorius.
Kaip ieškoti anomalijų Didžiojo hadronų greitintuvo duomenyse
Kas yra duomenų anomalijos?
— Jei kalbame apie duomenis, gautus naudojantDidysis hadronų greitintuvas (LHC), tai gali būti atradimai, kurie neatitinka standartinių idėjų apie tai, kaip ten vyksta dalelių skilimas po protonų susidūrimų. Šie atradimai bus anomalijos.
Pavyzdžiui, jei kalbame apie turto kainasbiržoje, tuomet anomalijų gali kilti dėl to, kad tam tikras rizikos draudimo fondas nusprendė perpumpuoti aktyvą arba Wall Street Bets nusprendė užsidirbti papildomų pinigų ir įsteigė savo paskirstytą rizikos draudimo fondą. Tai yra, fizika yra visiškai kitokia, o šios fizikos pasireiškimas duomenyse taip pat nepanašus į kitus atvejus.
Todėl, jei kalbame apie anomalijas, pirmiausia turime suprasti, apie kokius duomenis ir apie kokią fiziką kalbame.
— Tada išsiaiškinkime, daugiausia dėmesio skirdami susidūrimams.
– Čia šiek tiek lengviau, nors taip pat kylašakutė. Faktas yra tas, kad yra duomenų apie tai, kokie procesai vyksta su dalelėmis detektoriaus viduje. Ir yra duomenų, kaip veikia šis greitintuvas. Žmonės, kurie pirmiausia domisi naujų dalelių ar dėsnių atradimu, daugiausia domisi pirmojo tipo duomenimis. Tačiau faktas yra tas, kad viskas, kas vyksta fizikoje, praeina per gana ilgą šios informacijos rinkimo ir apdorojimo grandinę. Ir jei kuris nors šios grandinės mazgas pradeda elgtis ne taip, kaip mes įsivaizdavome, tai yra, jis peržengia tam tikras leistinas ribas, tai sukelia matavimų iškraipymą. Galime matyti anomalijų toje vietoje, kur jų apskritai nebuvo fizikoje.
Atradimai, kurie netelpa į standartines idėjas apie tai, kaip ten vyksta dalelių skilimas, atsirandantys po protonų susidūrimo, bus anomalijos.
Norėdami išvengti tokių nemalonių įvykių, žmonėsrašo specialias duomenų kokybės kontrolės sistemas, kurios stebi visus matavimo priemonių duomenis ir stengiasi neįtraukti į svarstymą tuos laikotarpius, kai kyla įtarimas, kad kažkas ne taip.
Vienas iš pavyzdžių, apie kurį žmonės mėgsta kalbėtiFizikai iš LHC, buvo tai, kad ankstyvosiose greitintuvo veikimo stadijose jie pastebėjo anomalijas, kurios netelpa į fizines sąvokas. Dar nebuvo LHC, o ankstesnė jo versija. Dėl to fizikai nustatė, kad koreliacija su traukinių tvarkaraščiu netoliese esančiame geležinkelyje yra labai rimta. Ir jei atliksite koregavimus, susijusius su šiais svyravimais, gausite nefizinį pasaulio vaizdą.
Būtina atsižvelgti į išorinius veiksnius ir mokėtisuprasti, kuriuos iš jų reikia teisingai kompensuoti. Paprasčiausias sprendimas: išmeskime duomenis, kurie netelpa į įprastą pasaulio vaizdą. Sudėtingesnės istorijos yra bandyti grąžinti šias anomalijas naudojant suprantamus ir fizinius principus į normalius duomenis ir bandyti iš jų pasinaudoti.
Duomenų išmetimas yra biudžeto lėšų švaistymas. Kiekvienas kilobaitas-megabaitas turi tam tikrą kainą.
Andrejus Ustyuzhanin, Nacionalinio tyrimų universiteto Aukštosios ekonomikos mokyklos Didžiųjų duomenų analizės metodų tyrimų ir edukacinės laboratorijos vadovas
– Ir atitinkamai kaip galima aptikti šių duomenų anomalijas naudojant mašininio mokymosi sistemą?
— Yra dvi tokių algoritmų grupės, kuriosdirbti su anomalijomis. Pirmoji vienos klasės klasifikavimo metodų grupė apima algoritmus, kurie naudoja informaciją tik apie tuos įvykius, kurie pažymėti kaip geri. Tai yra, jie bando sukurti išgaubtą korpusą, apimantį viską, kas, mūsų nuomone, yra teisinga. Logika tokia: viską, kas peržengia šį apvalkalą, apsvarstysime anomalijas. Tai yra, pavyzdžiui, 99% duomenų yra padengti tokiu apvalkalu, o visa kita atrodo kaip kažkas įtartino.
Kita algoritmų grupė remiasi daliniupažymėdami tai, ką laikome neteisinga. Iš esmės yra įvykių, kurie, kaip žinoma, turi nepageidaujamų rezultatų, rinkinys. Ir tada anomalijų paieška patenka į dviejų klasių klasifikavimo problemą. Tai įprastas klasifikatorius, kurį galima sukurti remiantis neuroninių tinklų arba sprendimų medžių principais.
Niuansas yra tas, kad dažniausiai užduotyseanomalijų, mėginys nesubalansuotas. Tai yra, teigiamų pavyzdžių skaičius gerokai viršija neigiamų. Tokiomis sąlygomis standartiniai klasifikavimo algoritmai gali neveikti taip gerai, kaip norėtume. Numatytoji praradimo funkcija teisingai kvalifikuojamus atvejus traktuoja vienodai ir gali nepastebėti, kad tarp 10 000 teisingų rezultatų yra šimtas netinkamai kvalifikuotų rezultatų. Šis šimtas tik reprezentuoja tuos neigiamus pavyzdžius, kurie yra įdomiausi. Akivaizdu, kad su tuo galima kovoti, pavyzdžiui, neigiamiems pavyzdžiams suteikiant didesnį svorį, o į jų klasifikavimo klaidas – daug svarbesnį.
Praradimo funkcija- funkcija, kuri statistinių sprendimų teorijoje apibūdina nuostolius dėl neteisingo sprendimų priėmimo remiantis stebimais duomenimis.
Mūsų laboratorijos indėlis sprendžiant problemąAnomalijų aptikimas yra pasiūlyti metodus, kurie derina pirmojo ir antrojo metodų ypatybes. Tai yra, užduotis dirbti su vienos klasės ir dviejų klasių klasifikacija. Toks derinys tampa įmanomas, jei sukursime generatyvius anomalių pavyzdžių modelius.
Naudojant tokius metodus kaip generatyvinisprieštaraujančius tinklus arba normalizuojant srautus, galime išmokti atkurti tuos pavyzdžius, kurie pažymėti kaip neigiami, ir sugeneruoti papildomą pavyzdį, kuris leis įprastam klasifikatoriui efektyviau dirbti su papildytu sintetiniu pavyzdžiu. Šis metodas puikiai tinka tiek lentelės duomenims, tiek vaizdams. Praėjusiais metais apie tai buvo straipsnis, kuriame aprašoma, kaip kuriama tokia sistema, pateikiami praktiniai jos panaudojimo pavyzdžiai.
– Minėjote darbą su vaizdais. Kaip tai veikia šiuo atveju?
— Yra pavyzdžių, kuriuose rodėme darbusšis algoritmas. Jie tiesiog pasirinko vieną iš vaizdų klasių: pavyzdžiui, ranka rašytus skaičius. Ir jie sakė, kad nulis yra kažkokia anomalija. Ir jie paprašė neuroninio tinklo, kuris nusprendžia, kad nuliai nėra tokie, kaip visa kita, priskirti neigiamai klasei. Natūralu, kad tai gali būti ne tik nuliai, bet ir, pavyzdžiui, skaičiai, kuriuose yra uždari ciklai – 068 – arba skaičiai su horizontaliomis sankirtomis. Arba tiesiog vaizdai, pasukti tam tikru kampu, palyginti su likusiu pavyzdžiu.
„Mes galime imituoti fiziką tam tikromis sąlygomisišorinius parametrus su geru tikslumu ir pasakykite, kokios stebimos charakteristikos apibūdins teisingus signalo įvykius, pavyzdžiui, Higso bozono skilimą.
Yra duomenų rinkinys, vadinamas omniglot -raidės, parašytos skirtingais šriftais. Yra daugybė šriftų: iš Futurama, gotikinių, ranka parašytų iš nepopuliarių abėcėlių - sanskrito arba hebrajų. Galima sakyti, kad sanskrito raidės yra anomalija, tam tikra rašysena parašytos raidės taip pat yra.
Mes prašome sistemos išmokti viską atskirtilikusi dalis iš šių anomalių simbolių. Svarbiausia, kad jie yra daug mažesni nei visa kita. Tai yra sudėtinga dirbti su jais naudojant įprastus mašininio mokymosi algoritmus.
Fizikos ir IT simbiozė: kaip mašininis mokymasis naudojamas LHC tyrimuose
— Kokios LHC užduotys sprendžiamos mašininio mokymosi pagalba?
– Viena didelė užduotis, su kuria dirbameyra paspartinti skaičiavimo procesus, kurie imituoja fizinius susidūrimus ir dalelių skilimą. Faktas yra tas, kad sprendimas, ar tam tikri įvykiai yra panašūs į tam tikrus fizinius skilimus, ar ne, priimami išanalizavus gana daug modeliuojamų skilimų. Galime labai tiksliai imituoti fiziką pagal tam tikrus išorinius parametrus ir pasakyti, kokios stebimos charakteristikos apibūdins teisingus signalo įvykius, pavyzdžiui, Higso bozono skilimą.
Tačiau yra tam tikrų įspėjimų:Mes ne visada žinome parametrus, pagal kuriuos šie skilimai turi būti generuojami. Paprastai apie tai yra tam tikra idėja. O iššūkis ieškant tinkamos fizikos yra atskirti signalo įvykius nuo foninių įvykių, kurie gali būti susiję arba su neteisingu atkūrimo algoritmų veikimu, arba su kitų procesų, kurie labai panašūs į tai, ką mes bandome rasti, fizika. Mašininio mokymosi algoritmai puikiai atlieka šį darbą, tačiau tai gerai žinoma istorija.
Tačiau norint išmokyti tokius algoritmus, tai būtinagana didelė statistinė modeliuojamų įvykių imtis, o šių sintetinių duomenų apskaičiavimas reikalauja tam tikrų išteklių. Mat vieno įvykio modeliavimas užtrunka apie minutę ar net dešimt minučių šiuolaikinių kompiuterių centrų skaičiavimo laiko. Atsižvelgiant į tai, kad realių įvykių, su kuriais dirbs fizikai, skaičius ateinančiais metais didės eilėmis, turėtų padidėti ir susintetintų įvykių skaičius. Dabar skaičiavimo išteklių vos pakanka tyrėjų poreikiams patenkinti. Nes norėdami imituoti vieną įvykį, turime apskaičiuoti mikrodalelių sąveiką su detektoriaus struktūra ir labai tiksliai imituoti atsaką, kurį matysime ant šio detektoriaus jutiklių.
Pagreičio idėja yra treniruoti neuroninį tinkląįvykiuose, kurie buvo imituoti naudojant sertifikuotą paketą - GMT 4, kuris imituoja viską, kas vyksta susidūrimo detektoriuose. Šis neuronas išmoks palyginti įvestis, dalelių, kurias norime imituoti, parametrus ir išėjimus – tas stebimas charakteristikas, kurias sukuria detektorius. Šiandien neuroniniai tinklai jau gana gerai susidoroja su duomenų interpoliavimo užduotimi. Ir keli projektai mūsų laboratorijoje yra skirti būtent tam. Tai yra, atkurti skilimo charakteristikas iš turimo sintetinio mėginio, tai yra, pagaminti tokią antros eilės sintetiką. Tačiau yra niuansas: neuroninių tinklų pranašumas yra tas, kad galime juos tiksliai sureguliuoti naudodami tikrus duomenis. Tai reiškia, kad šis nustatymas būtų tikslesnis konkrečiam fiziniam skilimui.
Žmonės, kurie užsiima visaverte fizine veiklamodeliavimas, jie tam skiria savo laiką ir pastangas, tačiau su neuronais tai atrodo šiek tiek mažiau darbo reikalaujanti. Ir iš rezultatų, kuriuos atlikome LHTV eksperimentui CERN ir Dubna MPD eksperimento projektui Nikos greitintuve, tapo aišku, kad neuroniniai tinklai gali pasiekti labai didelį tikslumą apimdami modeliuojamų įvykių fazių erdvę. Jie žymiai pagreitina skaičiavimo procesą: užsakymai ir net šimtai greičiau nei sąžiningas modeliavimas.
— Kaip mokosi pats neuroninis tinklas?
— Mokymosi procese nėra skirtumų.Tačiau yra vienas ypatumas: neuroniniam tinklui, be mokomosios imties, būtina suformuluoti kokybės kriterijus, tai yra nustatyti nuostolių funkciją, kuri geriausiai atitiktų užduotį, su kuria šis tinklas turėtų puikiai susidoroti. Be to, tokio neuroninio tinklo darbo kokybės tyrėjai nevertina: jis gali būti adekvačiai įvertintas skaičiavimo žingsniais, kurie įvyksta vėlesniame duomenų apdorojimo etape.
Norėdami nustatyti, ar modeliavimas yra geras, ar ne, galimetik po to, kai praeiname įvykius per jų analizės, rekonstrukcijos grandinę ir suprantame, kad iš jų atkuriamos tos pačios savybės, kurias iš pradžių dėjome. Tai reiškia, kad, pavyzdžiui, neužtenka naudoti paprastos MSE vidutinės kvadratinės klaidos metrikos.
MSE vidutinė kvadrato klaida- matuoja vidutinį kvadratinį skirtumą tarp apskaičiuotų verčių ir tikrosios vertės.
Reikia toliau vertinti neuroninio tinklo elgesįparametrų diapazonų funkcijos, kurių treniruočių rinkinyje galėjo nebūti. Sukurti tokius modelius, kurie elgtųsi gerokai viršijant treniruočių etape žinomas parametrų vertes, yra didelė ir teorinė užduotis.
Neuroniniai tinklai yra geri tose vietose, kur jie yrakai ką žinojo treniruočių etape. Už jų ribų jie gali išduoti ką tik nori. Mūsų atveju tai ypač jautru, nes nuo to priklauso mus supančios tikrovės fizinės interpretacijos teisingumas.
„Jei tamsiosios medžiagos dalelė suyra į daleles, su kuriomis mes žinome, kaip sąveikauti, galima daryti prielaidą, kad ši tamsiosios medžiagos dalelė iš tikrųjų buvo“
— Tai reiškia, kad neuroninis tinklas ieško retų įvykių, kurie gali įvykti susidūrime?
— Remiantis generatyvinių modelių veikimu, tyPirma, mes kalbame apie visko, kas gali atsitikti, sintezę. Tai darome su miniatiūriniais modeliais. Ir tokių tinklų išvestyje galime sukurti modelį, kuris ieškos to, ko mums reikia: ką mums pavyko sugeneruoti generuojamajame neuroniniame tinkle.
Kaip ieškoti tamsiosios materijos ir kodėl tam reikalingi neuroniniai tinklai
— Ar panašų paieškos principą galima pritaikyti tamsiajai medžiagai?
– Faktas yra tas, kad tamsiosios medžiagos galima ieškotiSkirtingi keliai. Vienas iš būdų yra sukurti tinkamą detektorių, kuris gana gerai izoliuotų nuo įprastų medžiagų poveikio. Tai yra, blokuoti signalą, gaunamą iš fizikams žinomų dalelių. Tai tik pašalinimo būdas: jei detektorius mato ką nors kita nei triukšmas, vadinasi, mato tai, ko mes dar nematėme. Viena iš galimybių būtų, kad tai yra tamsiosios medžiagos dalelės.
Jei, pavyzdžiui, tamsiosios medžiagos dalelėsuyra į daleles, su kuriomis mes žinome, kaip sąveikauti, ir aišku, kad skilimo pėdsakai negalėjo atsirasti iš niekur, išskyrus iš jo, tada galime manyti, kad ši tamsiosios medžiagos dalelė tikrai buvo.
Tokie eksperimentai yra aptariami ir planuojami.Vienas iš jų vadinamas SHiP (Paslėptų dalelių paieška). Ir, beje, tokiam eksperimentui taip pat galioja tie metodai, apie kuriuos kalbėjau. Norint atpažinti retus metodus, reikia modeliavimo ir algoritmų. Tačiau kadangi šio eksperimento šviesumas yra daug mažesnis (šviesumas yra dalelių, kurias planuojama aptikti per laiko vienetą, skaičius), poreikis imituoti daug panašių įvykių nėra toks aštrus kaip hadronų greitintuvo atveju. detektoriai. Nors, pavyzdžiui, atliekant užduotį, susijusią su fizikams žinomos apsaugos nuo dalelių sistemos kokybės įvertinimu, reikia modeliuoti gana daug įvykių. Tai būtina norint užtikrinti, kad apsauga gerai veiktų su didžiuliu skaičiumi įeinančių įvairių tipų dalelių.
LAIVASyra eksperimentas, kurio tikslas - rasti paslėptą vietądalelės, įskaitant tamsiosios medžiagos daleles, dalelių sraute iš SPS greitintuvo, filtruojamo magnetinių laukų, penkių metrų betono ir metalo sluoksnio.
Yra ir kitų būdų ieškoti tamsiosios medžiagos,susiję su kosmoso reiškinių stebėjimais. Visų pirma, vienas iš būdų yra sukurti jautrius elementus, kurie atpažįsta labai silpnai sąveikaujančių dalelių kryptį, priklausomai nuo šios dalelės kritimo kampo. Eksperimento logika yra ta, kad jautrius elementus galima išdėstyti taip, kad jie būtų orientuoti pagal Saulės sistemos judėjimo vektorių, ty į Cygnus žvaigždyną. Tada galėsime atskirti daleles, judančias Žemės koordinačių sistemoje, nuo dalelių, kurios juda kitaip. Kaip ir nejudantis eteris, kuris platinamas kosminėje erdvėje pagal savo dėsnius, niekaip nesusijęs su planetų orientacija ir judėjimo kryptimi. Tiesiog manoma, kad vietoj eterio yra tamsiosios medžiagos dalelės. Jie gali silpnai sąveikauti su mūsų eksperimento jutikliais. O analizuojant jų rodmenis galima išvesti sąveikaujančių dalelių kampinio pasiskirstymo modelius. Jei matysime, kad yra rimtas komponentas, kuris nepriklauso nuo Žemės padėties erdvėje, tai parodys anksčiau nežinomų dalelių egzistavimą. Ir galbūt tai bus tamsiosios medžiagos dalelių kandidatai.
Tokiame eksperimente modeliavimas yra gana svarbus,nes norėdami sukurti signalų įvykių atpažinimo algoritmą, turite įsivaizduoti, kaip atrodo mus dominantis signalas. Todėl užduotys, susijusios su greitu modeliavimu ir anomalijų paieška, ten yra aktualios ir pritaikomos.
Jie kalba skirtingomis kalbomis, tačiau tikslai yra bendri
Pakalbėkime apie darbą CERN. Kaip IT žmogui dirbti su fizikais? Kokios savybės yra susijusios su darbu tokioje tarpmokslinėje erdvėje kaip LHC?
- Geras klausimas.Iš tikrųjų žmonės kalba skirtingomis kalbomis: tos pačios sąvokos grafiškai vaizduojamos skirtingais būdais. Pavyzdžiui, ROC kreivės, prie kurių yra įpratę mašininio mokymosi specialistai, fizikoje dažniausiai brėžiamos pasuktos 90 laipsnių kampu. Ir koordinatės vadinamos ne tikru teigiamu rodikliu ir klaidingu neigiamu rodikliu, o signalo efektyvumu ir fono atmetimu. Be to, jei signalo efektyvumas vis dar yra tikslumas, atmetimas fone yra vienas atėmus tikrąjį neigiamą rodiklį.
ROC kreivė (iš anglų kalbos imtuvo veikimo charakteristikos, imtuvo veikimo charakteristikos)— grafikas, leidžiantis įvertinti dvejetainio kokybęklasifikacijos. Rodo ryšį tarp objektų dalių iš bendro atributo nešėjų skaičiaus, teisingai klasifikuotų kaip turinčius atributą, ir objektų dalių iš bendro objektų, neturinčių atributo, neteisingai klasifikuotų kaip turinčius atributą, skaičiaus.
Aišku, kad tokie dalykai gali būtipaviršių ir yra gana lengva priprasti, tačiau pagrindiniai iššūkiai yra suprasti kai kurias pagrindines prielaidas, kurias daro mokslininkai rašydami savo darbus. Ir, kaip taisyklė, jie viršija tai, apie ką rašo. Tai yra, tai yra kažkokios slaptos žinios, kurios perduodamos žmogui besimokydamas magistrantūros mokykloje, dirbant su jo moksliniais projektais, jos formuojasi jo galvoje.
Žmonėms iš kitos mokslo srities – kaipskirtinga kultūrinė aplinka. Jiems šios prielaidos gali būti ne tokios akivaizdžios. Dėl to, kad leksika pasirodo gana plati ir skirtinga, dialogo konstravimas gali užtrukti ar net būti neproduktyvus. Todėl čia kaip rekomendacijas turbūt galima patarti arba prašyti žmonių peržengti tai, prie ko jie įpratę, ir suformuluoti problemą abstrakčiausiais fizikos terminais. Iš dalies tai darome, kai organizuojame varžybas kaip IDAL olimpiados dalį. Dialogo procese randame aplinką, kuri nereikalautų giliai pasinėrus į fiziką, bet tuo pačiu būtų įdomi mašininio mokymosi specialistams.
Šiais metais turėjome bendrą projektą suItalijos laboratorija, kuri ieško tamsiosios medžiagos. Jie pateikė sintetinių duomenų olimpinėms žaidynėms, kad surastų šią tamsiąją medžiagą. Tamsiosios materijos ten tikrai nėra, nes buvo imituojami žinomos fizikos skilimai: elektronų ir helio jonų susidūrimai. Tačiau tamsiosios medžiagos dalelių susidūrimai gali būti labai panašūs į kai kuriuos iš šių susidūrimų. Juos labai sunku imituoti ir dar sunkiau interpretuoti. Todėl, ypač žmonėms, kurie nėra šios srities specialistai, nusprendėme šių duomenų netraukti ir apsiriboti tik tais, kurie yra panašūs. Algoritmai, kuriuos pamatysime, veikia su apytiksliais duomenimis, bet gali būti taikomi ir tikriems duomenims.
Andrejus Ustyuzhaninas. Nuotrauka iš pranešėjos archyvo
Apibendrinant galima pasakyti, kad vienas būdas – susitarti dėl aiškių sąlygų visiems, o kitas – skirti laiko ir pastangų, lankyti vasaros mokyklas, dalyvauti praktiniuose tiriamuosiuose projektuose.
Andrejaus Ustyuzhanino rekomenduojamos knygos apie mašininį mokymąsi ir fizinius eksperimentus:
- Deepak Kar,Eksperimentinė dalelių fizika: matavimų ir paieškų supratimas dideliame hadronų greitintuve.
- Ilja Narskis,Dalelių fizikos statistinės analizės metodai: tinka, tankio įvertinimas ir prižiūrimas mokymasis.
- Giuseppe Carleo,Mašininis mokymasis ir fiziniai mokslai.
– Ar yra prieštaravimų tarp fizikų ir IT specialistų vertybių: pavyzdžiui, ar kažkam svarbiau sąveikos pobūdis, ar, priešingai, tikslumas?
— Jei kalbėtume konkrečiai apie tikslumą, tikriausiainėra neaiškumų. Bet tai labiau tikėtina dėl to, kad IT specialistai nesuvokia duomenų pobūdžio. Tiesiog jei duomenis išmatavome milimetro tikslumu, tai nėra prasmės skaičiuoti plotą kvadratinių mikronų tikslumu. Sudėtingų neuroninių tinklų atveju susiduriame su tuo, kad jie pateikia informaciją tiksliai iki paskutinio mantisos ženklo, tačiau šiuose ženkluose nėra daugiau reikšmės nei tikslumas, kuris buvo įvestyje.
Na, gal bendras palinkėjimas žmonėmsSiekiant įvertinti modelių tikslumą, reikia pateikti ne tik absoliučias charakteristikas, bet ir priimtinų diapazonų ribas arba sklaidą, kurioje šios reikšmės buvo gautos. Tiesą sakant, gera rekomendacija ne tik tiems, kurie bendrauja su fizikais ar biologais. Tai iš esmės yra teisingas būdas išlaikyti gautų rezultatų pateikimą.
O jei kalbėtume apie tai, kiek jų gali būtiskirtingi lūkesčiai iš vienos pusės ir iš kitos pusės, tai iš tikrųjų tai yra darbiniai klausimai. Jei suinteresuotos abi pusės, jas galima paprastai ir gerai išspręsti. Tai yra, mašininis mokymasis dabar yra paklausus fizikų plačiąja prasme, nes suteikia tikslesnes priemones darbui su jų duomenimis. Ir tai veikia priešinga kryptimi, nes mašininio mokymosi specialistams gali būti daug įdomiau pamatyti, kaip jų algoritmai padeda, pavyzdžiui, atrasti naujas daleles, kaip tai daroma mūsų laboratorijoje. Ilgai dirbome kurdami algoritmą, kuris nustatytų dalelės tipą. Neseniai buvo naujienų apie naujų tetrakvarkų atradimą, o mūsų algoritmai tiesiogiai prisidėjo prie jų atradimo.
Todėl žmonėms iš IT, sąlyginai iš duomenų mokslo,Kompiuterių mokslas, jų kuriamų algoritmų naudingumo jausmas yra labai svarbus. Todėl, pavyzdžiui, mūsų fakultete veikia Tarptautinė bioinformatikos laboratorija.
Tokios sąveikos tampa vis dažnesnėsvis normaliau. Nežinau, ar juos jau galima laikyti mainstream, ar dar reikia palaukti, bet vienaip ar kitaip ši istorija yra neišvengiama. Net jei pažvelgtumėte į seminarus, organizuojamus kaip šiandieninių pirmaujančių dirbtinio intelekto konferencijų dalis, seminaras apie AI naudojimą fiziniuose moksluose užima pirmaujančią vietą pagal susidomėjusių žmonių skaičių.
Skaityti daugiau:
Amerikiečių palydovas „pamatė“ neįprastą žinią iš Žemės
Paskelbtas vaizdo įrašas iš raketos, kuri buvo paleista iš eksperimentinio greitintuvo
Pabaisa mūsų galaktikos centre: pažiūrėkite į Paukščių Tako juodosios skylės nuotrauką