Andriej Ustyuzhanin— Kierownik Pracowni Badań i Dydaktyki Metod Analizy Big Data w Państwowej Wyższej Szkole Ekonomicznej.
Absolwent Moskiewskiego Instytutu Fizyki i Technologii w 2000 roku, kandydat nauk fizycznych i matematycznych. Jeden z jurorów międzynarodowych finałów Microsoft Imagine Cup, wcześniej był mentorem drużyny MIPT, która zdobyła puchar w 2005 roku.
Jak szukać anomalii w danych Wielkiego Zderzacza Hadronów
Czym są anomalie danych?
— Jeśli mówimy o danych uzyskanych za pomocąWielki Zderzacz Hadronów (LHC) to mogą być odkrycia, które nie mieszczą się w standardowych wyobrażeniach o tym, jak zachodzą tam rozpady cząstek po zderzeniach protonów. Te odkrycia będą anomaliami.
Na przykład, jeśli mówimy o notowaniach aktywówna giełdzie, wtedy anomalie mogą wynikać z faktu, że pewien fundusz hedgingowy zdecydował się wypompować aktywa lub Wall Street Bets postanowił zarobić dodatkowe pieniądze i założyć własny rozproszony fundusz hedgingowy. Oznacza to, że fizyka jest zupełnie inna, a manifestacja tej fizyki w danych również nie jest podobna do innych przypadków.
Dlatego jeśli mówimy o anomaliach, najpierw musimy zrozumieć, o jakich danych i o jakiej fizyce mówimy.
— Następnie wyjaśnijmy, skupiając się na zderzaczach.
- Tutaj jest trochę łatwiej, choć też się pojawiawidelec. Faktem jest, że istnieją dane o tym, jakie procesy zachodzą z cząstkami wewnątrz detektora. I są dane o tym, jak działa ten zderzacz. Osoby, które są przede wszystkim zainteresowane odkrywaniem nowych cząstek lub praw, interesują głównie dane pierwszego typu. Ale faktem jest, że wszystko, co dzieje się w fizyce, przechodzi przez dość długi łańcuch zbierania i przetwarzania tych informacji. A jeśli któryś z węzłów tego łańcucha zaczyna zachowywać się nie tak dobrze, jak sobie wyobrażaliśmy, to znaczy wykracza poza pewne granice dopuszczalnego, to wprowadza zniekształcenie pomiarów. Widać anomalie w miejscu, gdzie w ogóle ich nie było w fizyce.
Odkrycia, które nie pasują do standardowych wyobrażeń o tym, jak zachodzą tam rozpady cząstek, powstające po zderzeniu protonów, będą anomaliami
Aby uniknąć takich nieprzyjemnych wydarzeń, ludziepiszą specjalne systemy kontroli jakości danych, które monitorują wszystkie dane w przyrządach pomiarowych i starają się nie brać pod uwagę tych okresów, w których istnieje podejrzenie, że coś jest nie tak.
Jeden z przykładów, o którym ludzie lubią rozmawiaćfizyków z LHC było to, że już we wczesnych stadiach działania zderzacza zauważyli anomalie, które nie mieściły się w pojęciach fizycznych. Nie było jeszcze LHC, ale jego poprzednia wersja. W rezultacie fizycy odkryli, że korelacja jest bardzo poważna z rozkładem jazdy pociągów na linii kolejowej, która znajduje się w pobliżu. A jeśli wprowadzisz korekty związane z tymi wahaniami, otrzymasz niefizyczny obraz świata.
Trzeba wziąć pod uwagę czynniki zewnętrzne i móczrozumieć, które z nich należy odpowiednio zrekompensować. Najprostsze rozwiązanie: wyrzućmy dane, które nie mieszczą się w utartym obrazie świata. Bardziej złożone historie polegają na próbie przywrócenia tych anomalii przy użyciu zrozumiałych i fizycznych zasad do normalnych danych i próbie wykorzystania ich.
Wyrzucanie danych to marnowanie środków budżetowych. Każdy kilobajt-megabajt ma określoną cenę.
Andrey Ustyuzhanin, Kierownik Laboratorium Badawczo-Edukacyjnego Metod Analizy Big Data w Wyższej Szkole Ekonomicznej National Research University
- A zatem, jak można wykryć anomalię w tych danych za pomocą systemu uczenia maszynowego?
— Istnieją dwie grupy takich algorytmów, które:pracować z anomaliami. Pierwsza grupa metod klasyfikacji jednoklasowej obejmuje algorytmy wykorzystujące informacje tylko o tych zdarzeniach, które są oznaczone jako dobre. Oznacza to, że próbują zbudować wypukły kadłub, który zamyka wszystko, co uważamy za słuszne. Logika jest taka: wszystko, co wykracza poza zakres tej powłoki, rozważymy anomalie. Czyli np. 99% danych jest pokryte taką powłoką, a wszystko inne wygląda na coś podejrzanego.
Inna grupa algorytmów opiera się na algorytmach częściowychzaznaczając to, co uważamy za złe. Zasadniczo istnieje zbiór zdarzeń, o których wiadomo, że mają niepożądane skutki. A następnie poszukiwanie anomalii sprowadza się do problemu klasyfikacji dwóch klas. Jest to zwykły klasyfikator, który można zbudować w oparciu o zasady sieci neuronowych lub drzew decyzyjnych.
Niuans jest taki, że zwykle w zadaniachanomalie, próbka nie jest zrównoważona. Oznacza to, że liczba pozytywnych przykładów znacznie przewyższa liczbę negatywnych. W takich warunkach standardowe algorytmy klasyfikacji mogą nie działać tak dobrze, jak byśmy chcieli. Domyślna funkcja straty traktuje jednakowo przypadki, które kwalifikują się poprawnie, i może przeoczyć fakt, że wśród 10 000 poprawnych wyników jest setka, które kwalifikują się niepoprawnie. Ta setka reprezentuje tylko te negatywne przykłady, które są najciekawsze. Oczywiste jest, że można temu przeciwdziałać, na przykład przypisując większą wagę przykładom negatywnym i uwzględniając błędy przy ich klasyfikacji ze znacznie większą wagą.
Funkcja strat- funkcja, która w teorii decyzji statystycznych charakteryzuje straty wynikające z błędnego podejmowania decyzji na podstawie zaobserwowanych danych.
Wkład naszego laboratorium w rozwiązanie problemuWykrywanie anomalii polega na zaproponowaniu metod łączących cechy pierwszego i drugiego podejścia. Oznacza to zadanie pracy z klasyfikacją jednoklasową i dwuklasową. Taka kombinacja stanie się możliwa, jeśli zbudujemy modele generatywne na nietypowych przykładach.
Korzystanie z podejść, takich jak generatywnasieci kontradyktoryjne lub normalizujące przepływy, możemy nauczyć się odzyskiwać te przykłady, które są oznaczone jako negatywne i generować dodatkową próbkę, która pozwoli zwykłemu klasyfikatorowi na bardziej wydajną pracę z rozszerzoną próbką syntetyczną. To podejście działa dobrze zarówno w przypadku danych tabelarycznych, jak i obrazów. W zeszłym roku ukazał się artykuł, który opisuje, jak taki system jest zbudowany i podaje praktyczne przykłady jego zastosowania.
— Wspomniałeś o pracy z obrazami. Jak to działa w tym przypadku?
— Istnieją przykłady, w których pokazaliśmy pracęten algorytm. Po prostu wybrali jedną z klas obrazów: na przykład odręcznie zapisane liczby. I powiedzieli, że zero to jakaś anomalia. I poprosili sieć neuronową, która decyduje, że zera nie są takie jak wszystko inne, o przypisanie do klasy ujemnej. Oczywiście mogą to być nie tylko zera, ale także np. liczby, w obrębie których mieszczą się zamknięte cykle – 068 – czy liczby z przecięciami poziomymi. Lub po prostu obrazy obrócone pod pewnym kątem w stosunku do reszty próbki.
„Możemy symulować fizykę pod pewnymiparametry zewnętrzne z dobrą dokładnością i powiedz jakie obserwowalne cechy opiszą prawidłowe zdarzenia sygnału, na przykład rozpad bozonu Higgsa”
Istnieje zbiór danych zwany omniglotem -litery pisane różnymi czcionkami. Istnieje ogromna liczba czcionek: z futuramy, gotyku, odręcznie pisanych z niepopularnych alfabetów - sanskrytu lub hebrajskiego. Można powiedzieć, że litery w sanskrycie są anomalią, tak samo jak litery pisane pewnym charakterem pisma.
Prosimy, aby system nauczył się rozróżniać wszystkoreszta z tych anomalnych symboli. Najważniejsze, że są znacznie mniejsze niż wszystko inne. Na tym polega trudność pracy z nimi w przypadku konwencjonalnych algorytmów uczenia maszynowego.
Symbioza fizyki i IT: jak uczenie maszynowe jest wykorzystywane w badaniach LHC
— Jakie zadania LHC rozwiązuje się za pomocą uczenia maszynowego?
— Jednym z głównych zadań, nad którym pracujemy, jestjest przyspieszenie procesów obliczeniowych symulujących zderzenia fizyczne i rozpady cząstek. Faktem jest, że decyzja o tym, czy dane zdarzenia są podobne do określonych rozpadów fizycznych, czy też nie, zapada po przeanalizowaniu dość dużej liczby symulowanych rozpadów. Możemy z dużą dokładnością symulować fizykę przy określonych parametrach zewnętrznych i określić, jakie obserwowalne cechy będą opisywać prawidłowe zdarzenia sygnałowe, na przykład rozpad bozonu Higgsa.
Ale są pewne zastrzeżenia:Nie zawsze znamy parametry, przy jakich należy generować te rozpady. Z reguły istnieje pewne wyobrażenie na ten temat. Wyzwaniem znalezienia właściwej fizyki jest odróżnienie zdarzeń sygnałowych od zdarzeń w tle, które mogą być powiązane albo z nieprawidłowym działaniem algorytmów odzyskiwania, albo z fizyką innych procesów, które są bardzo podobne do tego, co staramy się znaleźć. Algorytmy uczenia maszynowego radzą sobie z tym dobrze, ale to dobrze znana historia.
Ale aby trenować takie algorytmy, jest to wymaganedość duża statystyczna próba symulowanych zdarzeń, a obliczenie tych syntetycznych danych wymaga pewnych zasobów. Ponieważ symulacja jednego zdarzenia zajmuje około minuty, a nawet dziesięciu minut czasu obliczeniowego nowoczesnych centrów komputerowych. W związku z tym, że liczba rzeczywistych zdarzeń, z którymi fizycy będą pracować, w najbliższych latach wzrośnie o rzędy wielkości, powinna również wzrosnąć liczba zsyntetyzowanych zdarzeń. Obecnie zasoby obliczeniowe ledwo wystarczają na zaspokojenie potrzeb badaczy. Ponieważ aby zasymulować jedno zdarzenie, musimy obliczyć oddziaływanie mikrocząstek ze strukturą detektora i zasymulować odpowiedź, którą zobaczymy na czujnikach tego detektora z bardzo dużą dokładnością.
Ideą akceleracji jest wytrenowanie sieci neuronowejna zdarzeniach, które były symulowane przy użyciu certyfikowanego pakietu - GMT 4, który symuluje wszystko, co dzieje się wewnątrz detektorów zderzaczy. Neuron ten nauczy się porównywać dane wejściowe, parametry cząstek, które chcemy symulować, i wyjścia, czyli obserwowalne cechy, które wytwarza detektor. Sieci neuronowe już dziś radzą sobie całkiem dobrze z zadaniem interpolacji danych. I właśnie temu ma służyć kilka projektów w naszym laboratorium. Oznacza to przywrócenie właściwości rozpadów z dostępnej próbki syntetycznej, czyli wytworzenie takich syntetyków drugiego rzędu. Jest jednak pewien niuans: zaletą sieci neuronowych jest to, że możemy je dostroić przy użyciu rzeczywistych danych. Oznacza to, że należy zwiększyć dokładność tego ustawienia dla określonego rozpadu fizycznego.
Osoby, które zajmują się pełnoprawnym fizycznymsymulacji, poświęcają na to swój czas i wysiłek, ale w przypadku neuronów okazuje się to nieco mniej pracochłonne. A z wyników, które zrobiliśmy dla eksperymentu LHTV w CERN i projektu eksperymentu Dubna MPD w akceleratorze Nica, stało się jasne, że sieci neuronowe mogą osiągnąć bardzo wysoką dokładność w pokrywaniu przestrzeni fazowej symulowanych zdarzeń. Znacznie przyspieszają proces kalkulacji: zamówienia, a nawet setki szybciej niż uczciwa symulacja.
— W jaki sposób uczy się sama sieć neuronowa?
— Nie ma różnic w procesie uczenia się.Jest jednak jedna osobliwość: dla sieci neuronowej oprócz próbki uczącej konieczne jest sformułowanie kryteriów jakościowych, czyli wyznaczenie funkcji straty, która najlepiej odpowiadałaby zadaniu, z którym ta sieć powinna dobrze sobie poradzić. Poza tym jakość pracy takiej sieci neuronowej nie jest oceniana przez badaczy: można ją adekwatnie ocenić pod kątem kroków obliczeniowych, jakie zachodzą na późniejszym etapie przetwarzania danych.
Aby określić, czy symulacja jest dobra, czy nie, możemydopiero po przejściu wydarzeń przez łańcuch ich analizy, rekonstrukcji i zrozumiemy, że te same cechy, które pierwotnie w nich włożyliśmy, zostają z nich przywrócone. Oznacza to, że na przykład użycie prostej metryki błędu średniokwadratowego MSE nie wystarczy.
Błąd średniokwadratowy MSE- mierzy średnią kwadratową różnicę między wartościami szacunkowymi a wartością rzeczywistą.
Zachowanie sieci neuronowej wymaga dalszej oceny, m.infunkcje w zakresach parametrów, które mogły nie występować w zestawie szkoleniowym. Budowanie takich modeli, które zachowują się znacznie poza wartościami parametrów znanymi na etapie szkolenia, jest zadaniem dużym i teoretycznym.
Sieci neuronowe są dobre tam, gdzie sąwiedział coś na etapie szkolenia. Poza nimi mogą dawać, co chcą. W naszym przypadku jest to szczególnie wrażliwe, gdyż od tego zależy poprawność fizycznej interpretacji otaczającej nas rzeczywistości.
„Jeśli cząsteczka ciemnej materii rozpada się na cząstki, z którymi wiemy, jak wchodzić w interakcje, można założyć, że ta cząsteczka ciemnej materii naprawdę była”
— Czyli sieć neuronowa szuka rzadkich zdarzeń, które mogą wystąpić w zderzaczu?
— Na podstawie działania modeli generatywnych, czyliPo pierwsze, mówimy o syntezie wszystkiego, co może się wydarzyć. Robimy to z miniaturowymi modelami. A na wyjściu takich sieci możemy zbudować model, który będzie szukał tego, czego potrzebujemy: tego, co udało nam się wygenerować na generatywnej sieci neuronowej.
Jak szukać ciemnej materii i dlaczego potrzebne są do tego sieci neuronowe
— Czy podobną zasadę wyszukiwania można zastosować do ciemnej materii?
- Faktem jest, że można szukać ciemnej materiiróżne sposoby. Jednym ze sposobów jest zbudowanie odpowiedniego detektora, który może dość dobrze izolować od wpływu zwykłej materii. Oznacza to zablokowanie sygnału pochodzącego od cząstek znanych fizykom. To tylko metoda eliminacji: jeśli detektor widzi coś innego niż szum, to widzi coś, czego nigdy wcześniej nie widzieliśmy. Jedną z możliwości jest to, że są to cząstki ciemnej materii.
Jeśli na przykład cząsteczka ciemnej materiirozpada się na cząstki, z którymi wiemy, jak oddziaływać, i jasne jest, że ślady rozpadu nie mogły pojawić się nigdzie poza nim, wtedy możemy założyć, że ta cząstka ciemnej materii naprawdę istniała.
Takie eksperymenty są omawiane i planowane.Jeden z nich nazywa się SHiP (Search for Hidden Particles). A tak przy okazji, do takiego eksperymentu mają zastosowanie również podejścia, o których mówiłem. Wymaga symulacji i algorytmów rozpoznawania rzadkich podejść. Ale ponieważ jasność tego eksperymentu jest znacznie niższa (jasność to liczba cząstek, które planuje się wykryć w jednostce czasu), potrzeba symulacji dużej liczby podobnych zdarzeń nie jest tak dotkliwa jak w przypadku Zderzacza Hadronów detektory. Chociaż np. zadanie związane z oceną jakości systemu ochrony przed znanymi fizyką cząsteczkami wymaga symulacji dość dużej liczby zdarzeń. Jest to konieczne, aby mieć pewność, że ochrona działa dobrze w przypadku ogromnej liczby napływających cząstek różnego typu.
Statekto eksperyment mający na celu odnalezienie ukrytychcząsteczki, w tym cząstki ciemnej materii, w strumieniu cząstek z akceleratora SPS przefiltrowanym przez pola magnetyczne, pięciometrową warstwę betonu i metalu.
Istnieją inne sposoby poszukiwania ciemnej materii,związane z obserwacjami zjawisk kosmicznych. W szczególności jednym z podejść jest budowanie czułych elementów, które rozpoznają kierunek bardzo słabo oddziałujących cząstek w zależności od kąta padania tej cząstki. Logika eksperymentu polega na tym, że możliwe jest rozmieszczenie czułych elementów tak, aby były zorientowane wzdłuż wektora ruchu Układu Słonecznego, czyli w stronę gwiazdozbioru Łabędzia. Wtedy będziemy w stanie odróżnić cząstki poruszające się w układzie współrzędnych Ziemi od cząstek poruszających się inaczej. Podobnie jak nieruchomy eter, który rozprzestrzenia się w przestrzeni kosmicznej według własnych praw, w żaden sposób nie związanych z orientacją i kierunkiem ruchu planet. Tyle, że zamiast eteru zakłada się, że są tam cząstki ciemnej materii. Mogą słabo oddziaływać z czujnikami naszego eksperymentu. Analizując ich odczyty, możliwe jest wyprowadzenie wzorców rozkładów kątowych oddziałujących cząstek. Jeśli zobaczymy, że istnieje poważny składnik niezależny od położenia Ziemi w przestrzeni, będzie to wskazywać na istnienie nieznanych wcześniej cząstek. Być może będą to kandydaci na cząstki ciemnej materii.
W takim eksperymencie dość ważna jest symulacja,bo żeby zbudować algorytm rozpoznawania zdarzeń sygnałowych, trzeba sobie wyobrazić, jak wygląda interesujący nas sygnał. Dlatego zadania związane z szybką symulacją i poszukiwaniem anomalii są tam istotne i mają zastosowanie.
Mówią różnymi językami, ale cele są wspólne
Porozmawiajmy o pracy w CERN. Jak to jest, gdy informatyk pracuje z fizykami? Jakie cechy wiążą się z pracą w tak przekrojowej przestrzeni naukowej jak LHC?
- Dobre pytanie.Rzeczywiście, ludzie mówią różnymi językami: dochodzi do tego, że te same pojęcia są graficznie przedstawiane na różne sposoby. Przykładowo krzywe ROC, do których przyzwyczajeni są specjaliści od uczenia maszynowego, zazwyczaj rysuje się w fizyce obróconej o 90 stopni. Współrzędne nie są nazywane współczynnikiem prawdziwie dodatnim i współczynnikiem fałszywie ujemnym, ale wydajnością sygnału i odrzucaniem tła. Co więcej, jeśli wydajność sygnału nadal wynosi Precyzja, wówczas odrzucenie tła wynosi jeden minus współczynnik prawdziwie ujemny.
Krzywa ROC (z angielskiej charakterystyki pracy odbiornika, charakterystyki pracy odbiornika)— wykres pozwalający ocenić jakość pliku binarnegoklasyfikacje. Wyświetla zależność pomiędzy udziałami obiektów z ogólnej liczby nośników atrybutu, prawidłowo zaklasyfikowanych jako niosące atrybut, a udziałami obiektów z ogólnej liczby obiektów, które nie niosą atrybutu, błędnie zaklasyfikowanych jako niosące atrybut.
Wiadomo, że takie rzeczy mogą mieć miejscepowierzchniach i stosunkowo łatwo się do nich przyzwyczaić, jednak główne wyzwania polegają na zrozumieniu niektórych podstawowych założeń, jakie przyjmują badacze pisząc swoje prace. I z reguły wykraczają poza to, o czym piszą. Oznacza to, że jest to tajemna wiedza przekazywana podczas szkolenia danej osoby w szkole wyższej, podczas pracy nad projektami badawczymi, powstaje w jej umyśle.
Dla osób z innej dziedziny nauki to jakróżne środowisko kulturowe. Dla nich te założenia mogą nie być tak oczywiste. Ze względu na to, że leksykon okazuje się dość obszerny i odmienny, konstrukcja dialogu może się opóźnić, a nawet być bezproduktywna. Dlatego tutaj, jako zalecenia, można prawdopodobnie doradzić albo poprosić ludzi, aby wyszli poza to, do czego są przyzwyczajeni, i sformułować problem w najbardziej abstrakcyjnych terminach z fizyki. Robimy to częściowo, kiedy organizujemy zawody w ramach naszej Olimpiady IDAL. W procesie dialogu znajdujemy scenerię, która nie wymagałaby głębokiego zanurzenia w fizyce, ale jednocześnie byłaby interesująca dla specjalistów od uczenia maszynowego.
W tym roku mieliśmy wspólny projekt zwłoskie laboratorium poszukujące ciemnej materii. Dostarczyli syntetyczne dane na potrzeby Igrzysk Olimpijskich, aby znaleźć tę ciemną materię. Tak naprawdę nie ma tam ciemnej materii, bo symulowano rozpady znanej fizyki: zderzenia elektronów i jonów helu. Jednak zderzenia cząstek ciemnej materii mogą być bardzo podobne do niektórych z tych zderzeń. Bardzo trudno je symulować, a jeszcze trudniej zinterpretować. Dlatego specjalnie dla osób, które nie są specjalistami w tej dziedzinie, postanowiliśmy nie wyciągać tych danych i ograniczyć się tylko do tych, które są podobne. Algorytmy, które zobaczymy, działają na danych przybliżonych, ale można je również zastosować do danych rzeczywistych.
Andriej Ustiuzhanin. Zdjęcie z archiwum prelegenta
Podsumowując, jednym sposobem jest uzgodnienie jasnych warunków dla wszystkich, a drugim poświęcenie czasu i wysiłku, uczęszczanie do szkół letnich, udział w praktycznych projektach badawczych.
Książki o uczeniu maszynowym i eksperymentach fizycznych polecane przez Andreya Ustyuzhanina:
- Deepak Kar,Eksperymentalna fizyka cząstek: zrozumienie pomiarów i poszukiwań w Wielkim Zderzaczu Hadronów.
- Ilia Narski,Techniki analizy statystycznej w fizyce cząstek: dopasowania, szacowanie gęstości i nadzorowane uczenie.
- Giuseppe Carleo,Uczenie maszynowe i nauki fizyczne.
- Czy są jakieś sprzeczności między wartościami fizyków i informatyków: np. czy ważniejszy jest dla kogoś charakter interakcji, czy wręcz przeciwnie, dokładność?
— Prawdopodobnie, jeśli mówimy konkretnie o dokładnościnie ma dwuznaczności. Jest to jednak bardziej prawdopodobne, ponieważ specjaliści IT nie rozumieją natury danych. Tyle, że jeśli zmierzyliśmy dane z dokładnością do milimetra, to nie ma sensu obliczać powierzchni z dokładnością do mikronów kwadratowych. W przypadku złożonych sieci neuronowych mamy do czynienia z tym, że wytwarzają one informacje z dokładnością do ostatniego znaku mantysy, jednak w tych znakach nie ma większego znaczenia niż dokładność, która była na wejściu.
No może ogólne życzenie dla ludziktóre zajmują się oceną dokładności modeli jest podanie nie tylko bezwzględnych charakterystyk, ale także granic dopuszczalnych zakresów lub rozrzutu, w jakim te wartości zostały uzyskane. Właściwie dobra rekomendacja nie tylko dla tych, którzy mają kontakt z fizykami czy biologami. Jest to w zasadzie właściwy sposób na zachowanie prezentacji uzyskanych wyników.
A jeśli mówimy o tym, ile mogą byćróżne oczekiwania po jednej i po drugiej stronie, to w rzeczywistości są to wszystkie kwestie robocze. Jeśli obie strony będą zainteresowane, można je rozwiązać łatwo i dobrze. Oznacza to, że uczenie maszynowe jest obecnie poszukiwane wśród szeroko rozumianych fizyków, ponieważ zapewnia dokładniejsze narzędzia do pracy z ich danymi. A działa to w odwrotną stronę, bo dla specjalistów zajmujących się uczeniem maszynowym dużo ciekawsze może być zobaczenie, jak ich algorytmy pomagają w odkrywaniu nowych cząstek, na przykład tak jak ma to miejsce w naszym laboratorium. Długo pracowaliśmy nad stworzeniem algorytmu, który określałby rodzaj cząstki. Niedawno pojawiła się wiadomość o odkryciu nowych tetrakwarków, a nasze algorytmy miały bezpośredni udział w ich odkryciu.
Dlatego dla osób z IT, warunkowo z Data Science,W informatyce bardzo ważne jest poczucie przydatności tworzonych przez siebie algorytmów. Dlatego na naszym wydziale funkcjonuje np. Międzynarodowe Laboratorium Bioinformatyki.
Takich interakcji jest coraz więcejcoraz bardziej normalnie. Nie wiem, czy można je już uznać za mainstream, czy jeszcze trzeba poczekać, ale tak czy inaczej ta historia jest nieunikniona. Nawet jeśli spojrzeć na warsztaty organizowane w ramach wiodących dziś konferencji poświęconych sztucznej inteligencji, to warsztaty dotyczące wykorzystania AI w naukach fizycznych zajmują czołowe miejsce pod względem liczby zainteresowanych osób.
Czytaj więcej:
Amerykański satelita „widział” niezwykłą wiadomość z Ziemi
Opublikowane wideo z rakiety, która została wystrzelona z eksperymentalnego akceleratora
Potwór w centrum naszej Galaktyki: spójrz na zdjęcie czarnej dziury w Drodze Mlecznej