Andrej Oestjoezjanin— Hoofd van het onderzoeks- en onderwijslaboratorium voor big data-analysemethoden aan de National Research University Higher School of Economics.
Afgestudeerd aan het Moskouse Instituut voor Natuurkunde en Technologie in 2000, kandidaat voor fysische en wiskundige wetenschappen. Een van de juryleden van de internationale finale van de Microsoft Imagine Cup, daarvoor was hij mentor van het MIPT-team dat de beker won in 2005.
Hoe anomalieën te zoeken in de gegevens van de Large Hadron Collider
Wat zijn gegevensafwijkingen?
— Als we het hebben over gegevens verkregen met behulp vanLarge Hadron Collider (LHC), dit kunnen ontdekkingen zijn die niet passen in de standaardideeën over hoe deeltjesverval daar plaatsvindt na protonbotsingen. Deze ontdekkingen zullen afwijkingen zijn.
Als we het bijvoorbeeld hebben over activakoersenop de beurs, dan kunnen er anomalieën zijn doordat een bepaald hedgefonds besloot een actief op te pompen of Wall Street Bets besloot om extra geld te verdienen en hun eigen gedistribueerde hedgefonds op te zetten. Dat wil zeggen, de fysica is compleet anders en de manifestatie van deze fysica in de gegevens is ook niet vergelijkbaar met andere gevallen.
Daarom moeten we, als we het over afwijkingen hebben, eerst begrijpen over welke gegevens en over welke natuurkunde we het hebben.
— Laten we het dan verduidelijken met een focus op botsers.
- Hier is het een beetje makkelijker, hoewel het ook voorkomtvork. Feit is dat er gegevens zijn over wat voor soort processen er plaatsvinden met deeltjes in de detector. En er zijn gegevens over hoe deze versneller werkt. Mensen die vooral geïnteresseerd zijn in het ontdekken van nieuwe deeltjes of wetten, zijn vooral geïnteresseerd in het eerste type data. Maar het feit is dat alles wat er in de natuurkunde gebeurt, een vrij lange keten doorloopt van het verzamelen en verwerken van deze informatie. En als een van de knooppunten van deze keten zich niet zo goed begint te gedragen als we ons hadden voorgesteld, dat wil zeggen, het overschrijdt bepaalde limieten van het toegestane, introduceert dit een vervorming in de metingen. We kunnen anomalieën zien op de plaats waar ze over het algemeen niet waren in de natuurkunde.
Ontdekkingen die niet passen in de standaardideeën over hoe deeltjesverval daar plaatsvindt, ontstaan na de botsing van protonen, zullen anomalieën zijn
Om dergelijke onaangename gebeurtenissen te voorkomen, mensenze schrijven speciale datakwaliteitscontrolesystemen die alle gegevens in de meetinstrumenten monitoren en proberen die perioden waarin het vermoeden bestaat dat er iets misgaat buiten beschouwing te laten.
Eén van de voorbeelden waar mensen graag over pratennatuurkundigen van de LHC, was dat ze in de vroege stadia van de operatie van de versneller afwijkingen opmerkten die niet in fysieke concepten pasten. Er was nog niet de LHC, maar de vorige versie. Als gevolg hiervan ontdekten natuurkundigen dat de correlatie zeer ernstig is met het treinschema op de nabijgelegen spoorlijn. En als je aanpassingen maakt die verband houden met deze schommelingen, krijg je een niet-fysiek beeld van de wereld.
Het is noodzakelijk om rekening te houden met externe factoren en dit te kunnenbegrijpen welke van hen correct moeten worden gecompenseerd. De eenvoudigste oplossing: laten we de gegevens weggooien die niet in het gebruikelijke wereldbeeld passen. Complexere verhalen zijn bedoeld om deze anomalieën, met behulp van begrijpelijke en fysieke principes, terug te brengen naar normale gegevens en te proberen er voordeel uit te halen.
Gegevens weggooien is een verspilling van budgettaire middelen. Elke kilobyte-megabyte heeft een bepaalde prijs.
Andrey Ustyuzhanin, hoofd van het onderzoeks- en onderwijslaboratorium voor Big Data-analysemethoden aan de National Research University Higher School of Economics
- En, dienovereenkomstig, hoe kan de anomalie in deze gegevens worden gedetecteerd met behulp van een machine learning-systeem?
— Er zijn twee groepen van dergelijke algoritmen, die:werken met anomalieën. De eerste groep classificatiemethoden van één klasse omvat algoritmen die alleen informatie gebruiken over die gebeurtenissen die als goed zijn gemarkeerd. Dat wil zeggen, ze proberen een bolle romp te bouwen die alles omsluit wat wij denken dat juist is. De logica is deze: alles wat verder gaat dan deze schaal, zullen we anomalieën overwegen. Dat wil zeggen, 99% van de gegevens wordt gedekt door zo'n shell, en al het andere ziet eruit als iets verdachts.
Een andere groep algoritmen is gebaseerd op gedeeltelijkemarkeren wat wij verkeerd vinden. In wezen is er een reeks gebeurtenissen waarvan bekend is dat ze ongewenste resultaten hebben. En dan komt de zoektocht naar anomalieën neer op een classificatieprobleem van twee klassen. Dit is een reguliere classificatie die kan worden gebouwd op de principes van neurale netwerken of beslissingsbomen.
De nuance is dat meestal in takenafwijkingen, is het monster niet in evenwicht. Dat wil zeggen, het aantal positieve voorbeelden is aanzienlijk groter dan het aantal negatieve. Onder dergelijke omstandigheden werken standaard classificatie-algoritmen mogelijk niet zo goed als we zouden willen. De standaard verliesfunctie behandelt instanties die correct kwalificeren gelijk, en kan het feit over het hoofd zien dat onder de 10.000 correcte resultaten er honderd zijn die incorrect kwalificeren. Deze honderd vertegenwoordigt alleen die negatieve voorbeelden die het meest interessant zijn. Het is duidelijk dat dit kan worden tegengegaan door bijvoorbeeld meer gewicht toe te kennen aan negatieve voorbeelden, en fouten met hun classificatie met veel meer gewicht in rekening te brengen.
Verliesfunctie- een functie die, in de theorie van statistische beslissingen, verliezen karakteriseert als gevolg van onjuiste besluitvorming op basis van waargenomen gegevens.
Bijdrage van ons laboratorium aan het oplossen van het probleemAnomaliedetectie is het voorstellen van methoden die de kenmerken van de eerste en tweede benadering combineren. Dat wil zeggen, de taak om te werken met classificatie in één klasse en in twee klassen. Een dergelijke combinatie wordt mogelijk als we generatieve modellen van afwijkende voorbeelden bouwen.
Met behulp van benaderingen zoals generatievevijandige netwerken of het normaliseren van stromen, kunnen we leren om die voorbeelden te herstellen die als negatief zijn bestempeld en een extra monster te genereren waarmee de reguliere classifier efficiënter met het verbeterde synthetische monster kan werken. Deze aanpak werkt goed voor zowel tabelgegevens als afbeeldingen. Daar was vorig jaar een artikel over, waarin wordt beschreven hoe zo'n systeem is opgebouwd en praktische voorbeelden geeft van het gebruik ervan.
— U noemde het werken met afbeeldingen. Hoe werkt het in dit geval?
— Er zijn voorbeelden waarin we het werk hebben laten ziendit algoritme. Ze kozen eenvoudigweg een van de soorten afbeeldingen: bijvoorbeeld handgeschreven cijfers. En ze zeiden dat nul een anomalie is. En ze vroegen het neurale netwerk, dat besluit dat nullen niet zijn zoals al het andere, om in de negatieve klasse te worden ingedeeld. Dit kunnen uiteraard niet alleen nullen zijn, maar bijvoorbeeld ook getallen waarbinnen gesloten cycli bestaan - 068 - of getallen met horizontale snijpunten. Of eenvoudigweg afbeeldingen die onder een bepaalde hoek zijn geroteerd ten opzichte van de rest van het voorbeeld.
“We kunnen natuurkunde simuleren onder bepaaldeexterne parameters met goede nauwkeurigheid en zeg welke waarneembare kenmerken de juiste signaalgebeurtenissen zullen beschrijven, bijvoorbeeld het verval van het Higgs-deeltje "
Er is een dataset genaamd een omniglot -letters geschreven in verschillende lettertypen. Er zijn een groot aantal lettertypen: van Futurama, Gothic, handgeschreven van impopulaire alfabetten - Sanskriet of Hebreeuws. We kunnen zeggen dat de letters in het Sanskriet een anomalie zijn, de letters die in een bepaald handschrift zijn geschreven, zijn dat ook.
We vragen het systeem om alles te leren onderscheidende rest van deze afwijkende symbolen. Het belangrijkste is dat ze veel kleiner zijn dan al het andere. Dit is de moeilijkheid om met hen te werken voor conventionele algoritmen voor machine learning.
Symbiose van natuurkunde en IT: hoe machine learning wordt gebruikt in LHC-onderzoek
— Welke taken van de LHC worden opgelost met behulp van machine learning?
— Een grote taak waarmee we werken isis het versnellen van computerprocessen die fysieke botsingen en deeltjesverval simuleren. Het feit is dat de beslissing of bepaalde gebeurtenissen al dan niet vergelijkbaar zijn met bepaald fysiek verval, wordt genomen na analyse van een vrij groot aantal gesimuleerde vervalsingen. We kunnen de natuurkunde bij bepaalde externe parameters met goede nauwkeurigheid simuleren en zeggen welke waarneembare kenmerken de juiste signaalgebeurtenissen zullen beschrijven, bijvoorbeeld het verval van het Higgs-deeltje.
Maar er zijn bepaalde kanttekeningen:We kennen niet altijd de parameters waaronder dit verval moet worden gegenereerd. In de regel is er een bepaald idee hierover. En de uitdaging bij het vinden van de juiste fysica is het onderscheiden van signaalgebeurtenissen van achtergrondgebeurtenissen, die verband kunnen houden met de onjuiste werking van herstelalgoritmen, of met de fysica van andere processen die sterk lijken op wat we proberen te vinden. Machine learning-algoritmen doen dit goed, maar het is een bekend verhaal.
Maar om dergelijke algoritmen te trainen, is het vereisteen vrij grote statistische steekproef van gesimuleerde gebeurtenissen, en de berekening van deze synthetische gegevens vereist bepaalde middelen. Want de simulatie van één gebeurtenis kost bij moderne rekencentra ongeveer een minuut of zelfs tien minuten rekentijd. Omdat het aantal echte gebeurtenissen waarmee natuurkundigen zullen werken de komende jaren met ordes van grootte zal toenemen, zou ook het aantal gesynthetiseerde gebeurtenissen moeten toenemen. Nu zijn computerbronnen nauwelijks genoeg om in de behoeften van onderzoekers te voorzien. Omdat we, om één gebeurtenis te simuleren, de interactie van microdeeltjes met de structuur van de detector moeten berekenen en de respons die we op de sensoren van deze detector zullen zien met zeer hoge nauwkeurigheid simuleren.
Het idee van versnelling is om het neurale netwerk te trainenop gebeurtenissen die zijn gesimuleerd met behulp van een gecertificeerd pakket - GMT 4, dat alles simuleert wat er in de botsingsdetectoren gebeurt. Dit neuron zal leren de input, de parameters van de deeltjes die we willen simuleren, en de output te vergelijken: de waarneembare kenmerken die de detector produceert. Neurale netwerken kunnen de taak van data-interpolatie tegenwoordig al redelijk goed aan. En verschillende projecten in ons laboratorium zijn precies hierop gericht. Dat wil zeggen, om de kenmerken van verval uit het beschikbare synthetische monster te herstellen, dat wil zeggen om dergelijke tweede-orde synthetische stoffen te maken. Maar er is een nuance: het voordeel van neurale netwerken is dat we ze kunnen verfijnen met behulp van echte data. Dat wil zeggen: maak deze instelling nauwkeuriger voor een specifiek fysiek verval.
Mensen die zich bezighouden met volwaardige fysiekesimulatie, daar besteden ze hun tijd en moeite aan, maar bij neuronen blijkt dat iets minder arbeidsintensief. En uit de resultaten die we deden voor het LHTV-experiment bij CERN en het Dubna MPD-experimentproject bij de Nica-versneller, werd het duidelijk dat neurale netwerken een zeer hoge nauwkeurigheid kunnen bereiken bij het afdekken van de faseruimte van gesimuleerde gebeurtenissen. Ze versnellen het rekenproces aanzienlijk: bestellingen en zelfs honderden sneller dan een eerlijke simulatie.
— Hoe leert het neurale netwerk zelf?
— Er zijn geen verschillen in het leerproces.Maar er is één bijzonderheid: voor een neuraal netwerk is het, naast de trainingssteekproef, noodzakelijk om kwaliteitscriteria te formuleren, dat wil zeggen een verliesfunctie in te stellen die het beste overeenkomt met de taak waarmee dit netwerk goed zou moeten omgaan. Bovendien wordt de kwaliteit van het werk van een dergelijk neuraal netwerk door onderzoekers niet beoordeeld: het kan adequaat worden beoordeeld in termen van de rekenstappen die plaatsvinden in een later stadium van de gegevensverwerking.
Om te bepalen of een simulatie goed is of niet, kunnen we:pas nadat we de gebeurtenissen door de keten van hun analyse, reconstructie hebben geleid en we begrijpen dat dezelfde kenmerken die we er oorspronkelijk in hebben gelegd, daaruit worden hersteld. Dit betekent dat bijvoorbeeld het gebruik van een eenvoudige MSE Mean Squared Error-metriek niet voldoende is.
MSE Mean Squared Error- meet het root mean square-verschil tussen de geschatte waarden en de werkelijke waarde.
Het gedrag van het neurale netwerk moet verder worden beoordeeldfuncties op parameterbereiken die mogelijk niet aanwezig waren in de trainingsset. Het bouwen van dergelijke modellen die zich veel verder gedragen dan de parameterwaarden die bekend zijn in de trainingsfase is een grote en theoretische taak.
Neurale netwerken zijn goed op de plaatsen waar ze voorkomenwist iets in de trainingsfase. Buiten hen kunnen ze geven wat ze willen. In ons geval ligt dit bijzonder gevoelig, omdat de juistheid van de fysieke interpretatie van de werkelijkheid om ons heen ervan afhangt.
"Als een donkeremateriedeeltje vervalt tot deeltjes waarmee we weten hoe ze moeten interageren, kan worden aangenomen dat dit donkere materiedeeltje echt was"
— Dat wil zeggen, het neurale netwerk zoekt naar zeldzame gebeurtenissen die kunnen optreden bij de botser?
— Gebaseerd op de werking van generatieve modellen, dat wil zeggen,Ten eerste hebben we het over de synthese van alles wat kan gebeuren. Dit doen we met miniatuurmodellen. En aan de output van dergelijke netwerken kunnen we een model bouwen dat zoekt naar wat we nodig hebben: wat we hebben weten te genereren op een generatief neuraal netwerk.
Hoe te zoeken naar donkere materie en waarom neurale netwerken hiervoor nodig zijn
— Kan een soortgelijk zoekprincipe worden toegepast op donkere materie?
- Feit is dat er naar donkere materie kan worden gezochtverschillende manieren. Een manier is om een goede detector te bouwen die redelijk goed kan isoleren van de effecten van gewone materie. Dat wil zeggen, om het signaal te blokkeren dat afkomstig is van deeltjes die bekend zijn bij natuurkundigen. Dit is slechts een eliminatiemethode: als de detector iets anders ziet dan ruis, dan ziet hij iets dat we nog nooit eerder hebben gezien. Een mogelijkheid zou zijn dat dit donkere materiedeeltjes zijn.
Als bijvoorbeeld een donkeremateriedeeltjevervalt in deeltjes waarmee we weten hoe we moeten interageren, en het is duidelijk dat sporen van verval nergens anders konden verschijnen dan vanaf, dan kunnen we aannemen dat dit deeltje donkere materie echt bestond.
Dergelijke experimenten worden besproken en gepland.Een daarvan heet SHiP (Search for Hidden Particles). En trouwens, voor zo'n experiment zijn de benaderingen waar ik het over had ook van toepassing. Het vereist simulatie en algoritmen voor het herkennen van zeldzame benaderingen. Maar aangezien de lichtsterkte van dit experiment veel lager is (lichtsterkte is het aantal deeltjes dat per tijdseenheid moet worden gedetecteerd), is de noodzaak om een groot aantal soortgelijke gebeurtenissen te simuleren niet zo acuut als in het geval van de Hadron Collider detectoren. Hoewel, bijvoorbeeld, de taak die gepaard gaat met het beoordelen van de kwaliteit van het beschermingssysteem tegen deeltjes die de natuurkunde kent, de simulatie van een vrij groot aantal gebeurtenissen vereist. Dit is nodig om ervoor te zorgen dat de bescherming goed werkt bij het enorme aantal binnenkomende deeltjes van verschillende typen.
Schipis een experiment gericht op het vinden van verborgendeeltjes, waaronder donkere materiedeeltjes, in een stroom deeltjes uit de SPS-versneller gefilterd door magnetische velden, een vijf meter lange laag beton en metaal.
Er zijn andere manieren om naar donkere materie te zoeken,gerelateerd aan observaties van ruimteverschijnselen. Eén benadering is met name het bouwen van gevoelige elementen die de richting van zeer zwak op elkaar inwerkende deeltjes herkennen, afhankelijk van de invalshoek van dit deeltje. De logica van het experiment is dat het mogelijk is om de gevoelige elementen zo te plaatsen dat ze langs de bewegingsvector van het zonnestelsel zijn georiënteerd, dat wil zeggen richting het sterrenbeeld Cygnus. Dan kunnen we deeltjes die in het coördinatensysteem van de aarde bewegen onderscheiden van deeltjes die anders bewegen. Zoals de bewegingloze ether, die volgens zijn eigen wetten in de ruimte wordt verdeeld, op geen enkele manier verbonden met de oriëntatie en bewegingsrichting van de planeten. Het is alleen zo dat in plaats van ether wordt aangenomen dat er donkere materiedeeltjes zijn. Ze kunnen zwak interageren met de sensoren van ons experiment. En door hun metingen te analyseren, is het mogelijk patronen van hoekverdelingen van op elkaar inwerkende deeltjes af te leiden. Als we zien dat er een serieuze component is die niet afhankelijk is van de positie van de aarde in de ruimte, zal dit duiden op het bestaan van voorheen onbekende deeltjes. En misschien zijn dit kandidaten voor donkere materiedeeltjes.
In zo'n experiment is simulatie heel belangrijk,want om een algoritme te bouwen voor het herkennen van signaalgebeurtenissen, moet je je voorstellen hoe het signaal dat voor ons van belang is eruitziet. Daarom zijn de taken die gepaard gaan met snelle simulatie en het zoeken naar anomalieën daar relevant en toepasbaar.
Ze spreken verschillende talen, maar de doelen zijn gemeenschappelijk
Laten we het hebben over werken bij CERN. Hoe is het voor een IT'er om met natuurkundigen te werken? Welke kenmerken zijn verbonden aan het werken in zo'n wetenschappelijke ruimte als de LHC?
- Goede vraag.Mensen spreken inderdaad verschillende talen: het komt op het punt dat dezelfde concepten op verschillende manieren grafisch worden weergegeven. ROC-curven, waaraan machine learning-specialisten gewend zijn, worden bijvoorbeeld meestal in de natuurkunde 90 graden gedraaid. En de coördinaten worden niet True Positive Rate en False Negative Rate genoemd, maar signaalefficiëntie en achtergrondafwijzing. Bovendien, als de signaalefficiëntie nog steeds precisie is, is de achtergrondonderdrukking één min de werkelijke negatieve frequentie.
ROC-curve (van de Engelse receiver operating karakteristieken, receiver operating karakteristieken)— een grafiek waarmee u de kwaliteit van het binaire bestand kunt evaluerenclassificaties. Geeft de relatie weer tussen de aandelen van objecten van het totale aantal attribuutdragers, correct geclassificeerd als dragers van het attribuut, en de aandelen van objecten van het totale aantal objecten die het attribuut niet dragen, ten onrechte geclassificeerd als dragers van het attribuut.
Het is duidelijk dat zulke dingen mogelijk zijnoppervlakkig en zijn relatief gemakkelijk om aan te wennen, maar de belangrijkste uitdagingen liggen in het begrijpen van enkele van de basisaannames die onderzoekers maken bij het schrijven van hun papers. En in de regel gaan ze verder dan waar ze over schrijven. Dat wil zeggen, dit is een geheime kennis die wordt overgedragen tijdens iemands opleiding op de graduate school, tijdens het werken aan zijn onderzoeksprojecten, en die in zijn geest wordt gevormd.
Voor mensen uit een ander wetenschapsgebied is het zoiets alsandere culturele omgeving. Voor hen zijn deze veronderstellingen misschien niet zo voor de hand liggend. Doordat het lexicon behoorlijk uitgebreid en anders blijkt te zijn, kan de opbouw van een dialoog vertraging oplopen of zelfs onproductief zijn. Daarom kan men hier, als aanbevelingen, waarschijnlijk adviseren ofwel mensen te vragen verder te gaan dan wat ze gewend zijn en het probleem in de meest abstracte termen uit de natuurkunde te formuleren. Dit doen we onder meer als we wedstrijden organiseren in het kader van onze IDAL Olympiade. Tijdens het dialoogproces vinden we een setting die geen diepe onderdompeling in de natuurkunde vereist, maar die tegelijkertijd interessant zou zijn voor machine learning-specialisten.
Dit jaar hadden we een gezamenlijk project meteen Italiaans laboratorium dat op zoek is naar donkere materie. Ze leverden synthetische gegevens voor de Olympische Spelen om deze donkere materie te vinden. Er is daar echt geen donkere materie, omdat het verval van de bekende natuurkunde werd gesimuleerd: botsingen van elektronen en heliumionen. Maar botsingen van donkere materiedeeltjes kunnen sterk lijken op sommige van deze botsingen. Ze zijn erg moeilijk te simuleren en nog moeilijker te interpreteren. Daarom hebben we, vooral voor mensen die geen specialist zijn op dit gebied, besloten deze gegevens niet te verwijderen en ons te beperken tot alleen de gegevens die vergelijkbaar zijn. De algoritmen die we zullen zien werken op basis van geschatte gegevens, maar kunnen ook worden toegepast op echte gegevens.
Andrey Ustyuzhanin. Foto uit het archief van de spreker
Om samen te vatten, een manier is om het eens te worden over duidelijke voorwaarden voor iedereen, en de andere manier is om tijd en moeite te besteden, zomercursussen te volgen, deel te nemen aan praktische onderzoeksprojecten.
Boeken over machine learning en fysieke experimenten aanbevolen door Andrey Ustyuzhanin:
- Deepak Kar,Experimentele deeltjesfysica: inzicht in de metingen en zoekopdrachten bij de Large Hadron Collider.
- Ilja Narsky,Statistische analysetechnieken in deeltjesfysica: pasvormen, dichtheidsschatting en begeleid leren.
- Giuseppe Carleo,Machine learning en de natuurwetenschappen.
- Zijn er tegenstrijdigheden tussen de waarden van natuurkundigen en IT-specialisten: is bijvoorbeeld de aard van interacties belangrijker voor iemand, of juist juistheid?
– Als we het specifiek over nauwkeurigheid hebben, waarschijnlijker is geen onduidelijkheid. Maar dit is waarschijnlijker vanwege het feit dat IT-specialisten de aard van de gegevens niet begrijpen. Het is alleen zo dat als we de gegevens met een nauwkeurigheid van een millimeter meten, het geen zin heeft om het gebied met een nauwkeurigheid van vierkante microns te berekenen. In het geval van complexe neurale netwerken worden we geconfronteerd met het feit dat ze informatie produceren die nauwkeurig is tot aan het laatste teken in de mantisse, maar er schuilt niet meer betekenis in deze tekens dan in de nauwkeurigheid die bij de invoer aanwezig was.
Nou ja, misschien een algemene wens voor mensendie zich bezighouden met het evalueren van de nauwkeurigheid van modellen, is om niet alleen absolute kenmerken te geven, maar ook de limieten van acceptabele bereiken of de spreiding waarin deze waarden zijn verkregen. Eigenlijk een goede aanbeveling, niet alleen voor degenen die met natuurkundigen of biologen omgaan. Dit is in principe de juiste manier om een presentatie van de verkregen resultaten te behouden.
En als we praten over hoeveel ze kunnen zijnverschillende verwachtingen aan de ene en aan de andere kant, dan zijn dit in feite allemaal werkproblemen. Als er van beide kanten interesse is, kunnen deze eenvoudig en goed worden opgelost. Dat wil zeggen dat machine learning nu in brede zin veel gevraagd is onder natuurkundigen, omdat het nauwkeurigere hulpmiddelen biedt om met hun gegevens te werken. En het werkt averechts, want voor machine learning-specialisten kan het veel interessanter zijn om te zien hoe hun algoritmen bijvoorbeeld helpen bij het ontdekken van nieuwe deeltjes, zoals in ons laboratorium het geval is. We hebben lang gewerkt aan een algoritme dat het type deeltje zou bepalen. En onlangs was er nieuws over de ontdekking van nieuwe tetraquarks, en onze algoritmen speelden een directe rol bij hun ontdekking.
Daarom, voor mensen uit de IT, voorwaardelijk uit Data Science,Informatica, het voelen van het nut van de algoritmen die ze ontwikkelen, is erg belangrijk. Daarom bestaat er op onze faculteit bijvoorbeeld een International Laboratory of Bioinformatics.
Dergelijke interacties worden steeds vakersteeds normaler. Ik weet niet of ze al als mainstream kunnen worden beschouwd of dat we nog moeten wachten, maar op de een of andere manier is dit verhaal onvermijdelijk. Zelfs als je kijkt naar de workshops die worden georganiseerd als onderdeel van de toonaangevende conferenties over kunstmatige intelligentie van vandaag, neemt de workshop over het gebruik van AI in de natuurwetenschappen een leidende plaats in wat betreft het aantal geïnteresseerden.
Lees verder:
Amerikaanse satelliet "zag" een ongebruikelijk bericht van de aarde
Gepubliceerde video van de raket, gelanceerd vanaf een experimentele versneller
Het monster in het centrum van onze Melkweg: kijk naar de foto van een zwart gat in de Melkweg