Andrej Usťuzhanin— Vedúci Výskumného a vzdelávacieho laboratória metód analýzy veľkých dát na Vysokej škole ekonomickej Národnej výskumnej univerzity.
V roku 2000 absolvoval Moskovský inštitút fyziky a technológie, kandidát fyzikálnych a matematických vied. Jeden z porotcov medzinárodného finále Microsoft Imagine Cup, predtým bol mentorom tímu MIPT, ktorý vyhral pohár v roku 2005.
Ako hľadať anomálie v údajoch Veľkého hadrónového urýchľovača
Čo sú to dátové anomálie?
— Ak hovoríme o údajoch získaných pomocouVeľký hadrónový urýchľovač (LHC), to môžu byť objavy, ktoré nezapadajú do štandardných predstáv o tom, ako tam dochádza k rozpadu častíc po zrážkach protónov. Tieto objavy budú anomálie.
Napríklad, ak hovoríme o kotáciách aktívna burze, potom môžu nastať anomálie spôsobené tým, že sa istý hedžový fond rozhodol napumpovať aktívum alebo sa Wall Street Bets rozhodli zarobiť peniaze navyše a založili si vlastný distribuovaný hedžový fond. To znamená, že fyzika je úplne iná a prejav tejto fyziky v údajoch tiež nie je podobný ako v iných prípadoch.
Ak teda hovoríme o anomáliách, musíme najprv pochopiť, o akých údajoch a o akej fyzike hovoríme.
— Potom si to vyjasnime so zameraním na kolízie.
- Tu je to trochu jednoduchšie, aj keď to tiež vznikávidlička. Faktom je, že existujú údaje o tom, aké procesy prebiehajú s časticami vo vnútri detektora. A existujú údaje o tom, ako tento urýchľovač funguje. Ľudí, ktorých primárne zaujíma objavovanie nových častíc alebo zákonitostí, zaujíma najmä prvý typ údajov. Faktom však je, že všetko, čo sa deje vo fyzike, prechádza pomerne dlhým reťazcom zhromažďovania a spracovania týchto informácií. A ak sa niektorý z uzlov tohto reťazca začne správať nie tak dobre, ako sme si predstavovali, to znamená, že prekročí určité povolené hranice, spôsobí to skreslenie meraní. Anomálie môžeme vidieť na mieste, kde vo fyzike vo všeobecnosti neboli.
Objavy, ktoré nezapadajú do štandardných predstáv o tom, ako sa tam vyskytujú rozpady častíc, vznikajúce po zrážke protónov, budú anomáliou
Aby sa ľudia vyhli takýmto nepríjemným udalostiamvyvíjajú špeciálne systémy kontroly kvality dát, ktoré monitorujú všetky dáta v meracích prístrojoch a snažia sa vylúčiť z úvahy tie časové úseky, keď existuje podozrenie, že niečo nie je v poriadku.
Jeden z príkladov, o ktorých ľudia radi hovoriafyzikov z LHC, bolo, že v počiatočných štádiách činnosti urýchľovača si všimli anomálie, ktoré nezapadali do fyzikálnych konceptov. Ešte neexistoval LHC, ale jeho predchádzajúca verzia. V dôsledku toho fyzici zistili, že korelácia je veľmi vážna s cestovným poriadkom na železnici, ktorá sa nachádza neďaleko. A ak vykonáte úpravy spojené s týmito výkyvmi, získate nefyzický obraz sveta.
Je potrebné vziať do úvahy vonkajšie faktory a byť schopnýpochopiť, ktoré z nich je potrebné správne kompenzovať. Najjednoduchšie riešenie: vyhoďme dáta, ktoré nezapadajú do bežného obrazu sveta. Zložitejšie príbehy sa majú pokúsiť vrátiť tieto anomálie do normálnych údajov pomocou zrozumiteľných a fyzikálnych princípov a pokúsiť sa z nich vyťažiť.
Vyhadzovanie údajov je plytvanie rozpočtovými prostriedkami. Každý kilobajt-megabajt má určitú cenu.
Andrey Ustyuzhanin, vedúci výskumného a vzdelávacieho laboratória pre metódy analýzy veľkých dát na Vysokej ekonomickej škole National Research University
- A teda, ako možno pomocou systému strojového učenia odhaliť anomáliu v týchto údajoch?
— Existujú dve skupiny takýchto algoritmov, ktorépracovať s anomáliami. Prvá skupina metód klasifikácie jednej triedy zahŕňa algoritmy, ktoré využívajú informácie iba o tých udalostiach, ktoré sú označené ako dobré. To znamená, že sa snažia postaviť konvexný trup, ktorý obklopí všetko, čo považujeme za správne. Logika je takáto: všetko, čo presahuje túto škrupinu, budeme brať do úvahy anomálie. To znamená, že napríklad 99% údajov je pokrytých takouto škrupinou a všetko ostatné vyzerá ako niečo podozrivé.
Ďalšia skupina algoritmov sa spolieha na čiastočnéoznačenie toho, čo považujeme za nesprávne. V podstate existuje súbor udalostí, o ktorých je známe, že majú nežiaduce výsledky. A potom hľadanie anomálií prichádza k problému klasifikácie dvoch tried. Ide o bežný klasifikátor, ktorý možno postaviť na princípoch neurónových sietí alebo rozhodovacích stromov.
Nuansou je, že zvyčajne v úloháchanomálie, vzorka nie je vyvážená. To znamená, že počet pozitívnych príkladov výrazne prevyšuje počet negatívnych. Za takýchto podmienok nemusia štandardné klasifikačné algoritmy fungovať tak dobre, ako by sme chceli. Funkcia predvolenej straty zaobchádza s prípadmi, ktoré sa kvalifikujú správne, rovnako a môže prehliadnuť skutočnosť, že medzi 10 000 správnymi výsledkami je stovka, ktorá sa kvalifikuje nesprávne. Táto stovka predstavuje len tie negatívne príklady, ktoré sú najzaujímavejšie. Je jasné, že sa tomu dá bojovať napríklad tak, že sa negatívnym príkladom prisúdi väčšia váha a s oveľa väčšou váhou sa budú brať do úvahy chyby pri ich klasifikácii.
Stratová funkcia- funkcia, ktorá v teórii štatistického rozhodovania charakterizuje straty v dôsledku nesprávneho rozhodovania na základe pozorovaných údajov.
Príspevok nášho laboratória k riešeniu problémuDetekcia anomálií je navrhnúť metódy, ktoré kombinujú vlastnosti prvého a druhého prístupu. Teda úlohou pracovať s jednotriednou a dvojtriednou klasifikáciou. Takáto kombinácia bude možná, ak vytvoríme generatívne modely anomálnych príkladov.
Použitie prístupov, ako je generatívneprotichodné siete alebo normalizačné toky, môžeme sa naučiť obnoviť tie príklady, ktoré sú označené ako negatívne, a vygenerovať ďalšiu vzorku, ktorá umožní bežnému klasifikátoru pracovať s rozšírenou syntetickou vzorkou efektívnejšie. Tento prístup funguje dobre pre tabuľkové údaje aj obrázky. Minulý rok o tom bol článok, ktorý popisuje, ako sa takýto systém stavia, a uvádza praktické príklady jeho použitia.
— Spomenuli ste prácu s obrázkami. Ako to funguje v tomto prípade?
— Sú príklady, v ktorých sme dielo ukázalitento algoritmus. Jednoducho si vybrali jednu z tried obrázkov: napríklad ručne písané čísla. A povedali, že nula je nejaký druh anomálie. A požiadali neurónovú sieť, ktorá rozhodne, že nuly nie sú ako všetko ostatné, aby bola priradená do negatívnej triedy. Prirodzene to môžu byť nielen nuly, ale napríklad aj čísla, v rámci ktorých sú uzavreté cykly - 068 - alebo čísla s horizontálnymi priesečníkmi. Alebo jednoducho obrázky otočené pod určitým uhlom vzhľadom na zvyšok vzorky.
"Fyziku môžeme za určitých okolností simulovať."vonkajšie parametre s dobrou presnosťou a povedzte, aké pozorovateľné charakteristiky budú popisovať správne udalosti signálu, napríklad rozpad Higgsovho bozónu “
Existuje súbor údajov nazývaný všehovor -písmená napísané rôznymi typmi písma. Existuje obrovské množstvo písiem: z Futuramy, gotiky, ručne písané z nepopulárnych abecied - sanskrtu alebo hebrejčiny. Môžeme povedať, že písmená v sanskrte sú anomáliou, písmená písané istým rukopisom tiež.
Žiadame systém, aby sa naučil všetko rozlišovaťzvyšok z týchto anomálnych symbolov. Hlavná vec je, že sú oveľa menšie ako všetko ostatné. To je náročnosť práce s nimi pre konvenčné algoritmy strojového učenia.
Symbióza fyziky a IT: ako sa strojové učenie používa vo výskume LHC
— Aké úlohy LHC sa riešia pomocou strojového učenia?
— Jedna veľká úloha, s ktorou pracujeme, jeje urýchliť výpočtové procesy, ktoré simulujú fyzické zrážky a rozpady častíc. Faktom je, že rozhodnutie o tom, či sú dané udalosti podobné niektorým fyzickým rozpadom alebo nie, sa robí po analýze pomerne veľkého počtu simulovaných rozpadov. Dokážeme simulovať fyziku pri určitých vonkajších parametroch s dobrou presnosťou a povedať, aké pozorovateľné charakteristiky budú popisovať správne udalosti signálu, napríklad rozpad Higgsovho bozónu.
Existujú však určité upozornenia:Nie vždy poznáme parametre, za ktorých je potrebné tieto rozpady generovať. Spravidla o tom existuje určitá predstava. A výzvou nájsť správnu fyziku je rozlíšiť udalosti signálu od udalostí na pozadí, ktoré môžu súvisieť buď s nesprávnym fungovaním algoritmov obnovy, alebo s fyzikou iných procesov, ktoré sú veľmi podobné tomu, čo sa snažíme nájsť. Algoritmy strojového učenia to robia dobre, ale je to dobre známy príbeh.
Ale na trénovanie takýchto algoritmov je to potrebnépomerne veľká štatistická vzorka simulovaných udalostí a výpočet týchto syntetických údajov si vyžaduje určité zdroje. Pretože simulácia jednej udalosti zaberie približne minútu alebo aj desať minút výpočtového času moderných počítačových centier. Vzhľadom na to, že počet reálnych udalostí, s ktorými budú fyzici pracovať, v najbližších rokoch rádovo narastie, mal by sa zvýšiť aj počet syntetizovaných udalostí. Teraz výpočtové zdroje sotva stačia na pokrytie potrieb výskumníkov. Pretože na simuláciu jednej udalosti musíme vypočítať interakciu mikročastíc so štruktúrou detektora a nasimulovať odozvu, ktorú uvidíme na senzoroch tohto detektora s veľmi vysokou presnosťou.
Myšlienkou zrýchlenia je trénovať neurónovú sieťo udalostiach, ktoré boli simulované pomocou certifikovaného balíka - GMT 4, ktorý simuluje všetko, čo sa deje vo vnútri detektorov zrážačov. Tento neurón sa naučí porovnávať vstupy, parametre častíc, ktoré chceme simulovať, a výstupy – tie pozorovateľné charakteristiky, ktoré detektor produkuje. Neurónové siete sa dnes už celkom dobre vyrovnávajú s úlohou interpolácie údajov. A práve na to je zameraných niekoľko projektov v našom laboratóriu. Teda obnoviť charakteristiky rozpadov z dostupnej syntetickej vzorky, teda vyrobiť takú syntetiku druhého rádu. Je tu však nuansa: výhodou neurónových sietí je, že ich môžeme doladiť pomocou reálnych údajov. To znamená, aby toto nastavenie bolo presnejšie pre konkrétny fyzický rozklad.
Ľudia, ktorí sa venujú plnohodnotnému fyzickémupri simulácii, venujú tomu svoj čas a úsilie, ale s neurónmi je to o niečo menej náročné na prácu. A z výsledkov, ktoré sme urobili pre experiment LHTV v CERN-e a projekt experimentu Dubna MPD na urýchľovači Nica, bolo jasné, že neurónové siete môžu dosiahnuť veľmi vysokú presnosť pri pokrytí fázového priestoru simulovaných udalostí. Výrazne urýchľujú proces výpočtu: objednávky a dokonca stovky rýchlejšie ako poctivá simulácia.
— Ako sa učí samotná neurónová sieť?
— V procese učenia nie sú žiadne rozdiely.Je tu však jedna zvláštnosť: pre neurónovú sieť je potrebné okrem trénovacej vzorky sformulovať aj kvalitatívne kritériá, teda nastaviť stratovú funkciu, ktorá by najlepšie zodpovedala úlohe, ktorú by mala táto sieť dobre zvládnuť. Navyše kvalita práce takejto neurónovej siete nie je hodnotená výskumníkmi: dá sa adekvátne posúdiť z hľadiska výpočtových krokov, ktoré sa vyskytujú v neskoršej fáze spracovania údajov.
Môžeme určiť, či je simulácia dobrá alebo nieaž potom, čo udalosti prejdeme reťazou ich analýzy, rekonštrukcie a pochopíme, že sa z nich obnovia tie isté vlastnosti, ktoré sme do nich pôvodne vložili. To znamená, že napríklad použitie jednoduchej metriky MSE Mean Squared Error nestačí.
Stredná štvorcová chyba MSE- meria strednú kvadratúru rozdielu medzi odhadovanými hodnotami a skutočnou hodnotou.
Správanie neurónovej siete je potrebné posúdiť ďalej, vfunkcie na rozsahy parametrov, ktoré nemuseli byť prítomné v tréningovej sade. Vytvorenie takých modelov, ktoré sa správajú nad rámec hodnôt parametrov známych vo fáze školenia, je veľká a teoretická úloha.
Neurónové siete sú dobré na miestach, kde súvedel niečo vo fáze tréningu. Mimo nich môžu rozdávať, čo chcú. V našom prípade je to obzvlášť citlivé, pretože od toho závisí správnosť fyzickej interpretácie reality okolo nás.
"Ak sa častica tmavej hmoty rozpadne na častice, s ktorými vieme, ako interagovať, možno predpokladať, že táto častica tmavej hmoty skutočne bola."
— To znamená, že neurónová sieť hľadá zriedkavé udalosti, ktoré sa môžu vyskytnúť na zrážke?
— Na základe fungovania generatívnych modelov, tj.Po prvé, hovoríme o syntéze všetkého, čo sa môže stať. Robíme to s miniatúrnymi modelmi. A na výstupe takýchto sietí môžeme postaviť model, ktorý bude hľadať to, čo potrebujeme: čo sa nám podarilo vygenerovať na generatívnej neurónovej sieti.
Ako hľadať temnú hmotu a prečo sú na to potrebné neurónové siete
— Dá sa podobný princíp hľadania použiť aj na temnú hmotu?
- Faktom je, že tmavú hmotu možno hľadaťrôzne cesty. Jedným zo spôsobov je postaviť poriadny detektor, ktorý dokáže pomerne dobre izolovať od vplyvov bežnej hmoty. Teda blokovať signál, ktorý pochádza z častíc známych fyzikom. Toto je len metóda eliminácie: ak detektor vidí niečo iné ako hluk, potom vidí niečo, čo sme nikdy predtým nevideli. Jednou z možností by bolo, že ide o častice tmavej hmoty.
Ak napríklad častica tmavej hmotyrozpadá sa na častice, s ktorými vieme interagovať a je jasné, že stopy rozpadu sa nemohli objaviť nikde inde, len z nej, potom môžeme predpokladať, že táto častica tmavej hmoty naozaj bola.
O takýchto experimentoch sa diskutuje a plánujú sa.Jeden z nich sa nazýva SHiP (Search for Hidden Particles). A mimochodom, na takýto experiment sú použiteľné aj prístupy, o ktorých som hovoril. Vyžaduje si to simuláciu a algoritmy na rozpoznanie zriedkavých prístupov. Ale keďže svietivosť tohto experimentu je oveľa nižšia (jasnosť je počet častíc, ktoré sa plánujú detegovať za jednotku času), potreba simulovať veľké množstvo podobných udalostí nie je taká akútna ako v prípade Hadron Collider. detektory. Hoci napríklad úloha spojená s hodnotením kvality systému ochrany pred časticami známymi fyzike vyžaduje simuláciu pomerne veľkého počtu udalostí. Je to potrebné, aby sa zabezpečilo, že ochrana dobre funguje s obrovským množstvom prichádzajúcich častíc rôznych typov.
SHiPje experiment zameraný na hľadanie skrytýchčastice, vrátane častíc tmavej hmoty, v prúde častíc z urýchľovača SPS filtrovaných magnetickými poľami, päťmetrová vrstva betónu a kovu.
Existujú aj iné spôsoby, ako hľadať temnú hmotu,súvisiace s pozorovaním vesmírnych javov. Jedným prístupom je najmä vytvorenie citlivých prvkov, ktoré rozpoznávajú smer veľmi slabo interagujúcich častíc v závislosti od uhla dopadu tejto častice. Logika experimentu spočíva v tom, že je možné umiestniť citlivé prvky tak, aby boli orientované pozdĺž vektora pohybu Slnečnej sústavy, teda smerom k súhvezdí Labuť. Potom budeme vedieť rozlíšiť častice, ktoré sa pohybujú v súradnicovom systéme Zeme, od častíc, ktoré sa pohybujú inak. Rovnako ako nehybný éter, ktorý sa vo vesmíre rozmiestňuje podľa vlastných zákonov, nijako nesúvisí s orientáciou a smerom pohybu planét. Ide len o to, že namiesto éteru sa predpokladá, že existujú častice temnej hmoty. Môžu slabo interagovať so senzormi nášho experimentu. A analýzou ich hodnôt je možné odvodiť vzory uhlových distribúcií interagujúcich častíc. Ak vidíme, že existuje vážna zložka, ktorá nezávisí od polohy Zeme vo vesmíre, bude to naznačovať existenciu predtým neznámych častíc. A možno to budú kandidáti na častice tmavej hmoty.
V takomto experimente je dosť dôležitá simulácia,pretože na zostavenie algoritmu na rozpoznávanie signálnych udalostí si musíte predstaviť, ako vyzerá signál, ktorý nás zaujíma. Preto sú úlohy spojené s rýchlou simuláciou a hľadaním anomálií relevantné a použiteľné tam.
Hovoria rôznymi jazykmi, no ciele sú spoločné
Povedzme si niečo o práci v CERN-e. Aké je to pre IT-čkára pracovať s fyzikmi? Aké vlastnosti sú spojené s prácou v takom medzivednom priestore, akým je LHC?
- Dobrá otázka.V skutočnosti ľudia hovoria rôznymi jazykmi: dochádza k tomu, že tie isté pojmy sú graficky znázornené rôznymi spôsobmi. Napríklad ROC krivky, na ktoré sú špecialisti na strojové učenie zvyknutí, sa vo fyzike zvyčajne kreslia otočené o 90 stupňov. A súradnice sa nenazývajú True Positive Rate a False Negative Rate, ale efektivita signálu a odmietnutie pozadia. Okrem toho, ak je účinnosť signálu stále presná, odmietnutie pozadia je jedna mínus skutočná negatívna miera.
ROC krivka (z anglického prijímača prevádzková charakteristika, prevádzková charakteristika prijímača)— graf, ktorý umožňuje vyhodnotiť kvalitu dvojhviezdyklasifikácií. Zobrazuje vzťah medzi podielmi objektov z celkového počtu nosičov atribútov, správne klasifikovaných ako nesúcich atribút, a podielmi objektov z celkového počtu objektov, ktoré nesú atribút, nesprávne klasifikované ako nesúce atribút.
Je jasné, že takéto veci môžu byťpovrchy a je relatívne ľahké si na ne zvyknúť, ale hlavné výzvy spočívajú v pochopení niektorých základných predpokladov, ktoré výskumníci robia pri písaní svojich prác. A spravidla sú nad rámec toho, o čom píšu. To znamená, že ide o nejaké tajné znalosti, ktoré sa prenášajú počas školenia človeka na postgraduálnej škole, v procese práce na jeho výskumných projektoch sa formujú v jeho mysli.
Pre ľudí z inej oblasti vedy je to akoodlišné kultúrne prostredie. Pre nich nemusia byť tieto predpoklady také zrejmé. Vzhľadom na to, že lexika sa ukazuje ako dosť rozsiahla a odlišná, môže byť výstavba dialógu oneskorená alebo dokonca neproduktívna. Preto tu, ako odporúčania, možno odporučiť buď požiadať ľudí, aby išli nad rámec toho, na čo sú zvyknutí, a sformulovali problém v najabstraktnejších pojmoch z fyziky. Čiastočne to robíme, keď organizujeme súťaže v rámci našej IDAL olympiády. V procese dialógu nachádzame nastavenie, ktoré by si nevyžadovalo hlboké ponorenie sa do fyziky, no zároveň by bolo zaujímavé pre špecialistov na strojové učenie.
Tento rok sme mali spoločný projekt stalianske laboratórium, ktoré hľadá temnú hmotu. Poskytli syntetické údaje pre olympijské hry, aby našli túto temnú hmotu. V skutočnosti tam nie je žiadna temná hmota, pretože boli simulované rozpady známej fyziky: zrážky elektrónov a héliových iónov. Ale zrážky častíc tmavej hmoty by mohli byť veľmi podobné niektorým z týchto zrážok. Veľmi ťažko sa simulujú a ešte ťažšie interpretujú. Preto sme sa najmä pre ľudí, ktorí nie sú v tejto oblasti špecialisti, rozhodli tieto údaje nevyťahovať a obmedzovať sa len na tie, ktoré sú si podobné. Algoritmy, ktoré uvidíme, fungujú na približných údajoch, ale dajú sa aplikovať aj na reálne údaje.
Andrej Usťuzhanin. Foto z archívu hovorcu
Suma sumárum, jeden spôsob je dohodnúť sa na jasných podmienkach pre všetkých a druhý je tráviť čas a úsilie, navštevovať letné školy, zúčastňovať sa praktických výskumných projektov.
Knihy o strojovom učení a fyzikálnych experimentoch odporúčané Andreym Ustyuzhaninom:
- Deepak Kar,Experimentálna fyzika častíc: Pochopenie meraní a vyhľadávaní na veľkom hadrónovom urýchľovači,
- Ilya Narsky,Techniky štatistickej analýzy v časticovej fyzike: Fitnes, odhad hustoty a kontrolované učenie.
- Giuseppe Carleo,Strojové učenie a fyzikálne vedy.
- Existujú nejaké rozpory medzi hodnotami fyzikov a IT špecialistov: je napríklad pre niekoho dôležitejšia povaha interakcií alebo naopak presnosť?
— Ak hovoríme konkrétne o presnosti, pravdepodobnenie je tam žiadna dvojznačnosť. Ale to je pravdepodobnejšie kvôli tomu, že IT špecialisti nerozumejú povahe údajov. Ide len o to, že ak sme namerali údaje s presnosťou na milimeter, potom nemá zmysel počítať plochu s presnosťou štvorcových mikrónov. V prípade zložitých neurónových sietí sa stretávame s tým, že produkujú informácie presné do posledného znamienka v mantise, no v týchto znamienkach nie je väčší význam ako v presnosti, ktorá bola na vstupe.
No možno všeobecné želanie pre ľudíktoré sa týkajú vyhodnocovania presnosti modelov, je poskytnúť nielen absolútne charakteristiky, ale aj hranice prijateľných rozsahov alebo rozptyl, v ktorom boli tieto hodnoty získané. Vlastne dobré odporúčanie nielen pre tých, ktorí prichádzajú do styku s fyzikmi alebo biológmi. Toto je v zásade správny spôsob, ako zachovať prezentáciu získaných výsledkov.
A ak hovoríme o tom, koľko môžu byťrozdielne očakávania na jednej a na druhej strane, potom sú to vlastne všetky pracovné problémy. Ak je záujem na oboch stranách, dajú sa jednoducho a dobre vyriešiť. To znamená, že strojové učenie je teraz medzi fyzikmi žiadané v širšom zmysle, pretože poskytuje presnejšie nástroje na prácu s ich údajmi. A funguje to aj opačným smerom, pretože pre špecialistov na strojové učenie môže byť oveľa zaujímavejšie vidieť, ako ich algoritmy pomáhajú napríklad pri objavovaní nových častíc, ako je to napríklad v našom laboratóriu. Dlho sme pracovali na vytvorení algoritmu, ktorý by určil typ častice. A nedávno sa objavili správy o objave nových tetrakvarkov a naše algoritmy sa priamo podieľali na ich objave.
Preto pre ľudí z IT, podmienečne z Data Science,Počítačová veda, pocit užitočnosti algoritmov, ktoré vyvíjajú, je veľmi dôležitý. Preto na našej fakulte napríklad funguje Medzinárodné laboratórium bioinformatiky.
Takéto interakcie sú čoraz častejšiestále normálnejšie. Neviem, či ich už možno považovať za mainstream, alebo si ešte musíme počkať, ale tak či onak je tento príbeh nevyhnutný. Aj keď sa pozriete na workshopy organizované v rámci dnešných popredných konferencií o umelej inteligencii, workshop o využití AI vo fyzikálnych vedách zaujíma popredné miesto v počte záujemcov.
Čítaj viac:
Americká družica „zazrela“ nezvyčajnú správu zo Zeme
Zverejnené video z rakety, ktorá bola vypustená z experimentálneho urýchľovača
Monštrum v strede našej Galaxie: pozrite sa na fotografiu čiernej diery v Mliečnej dráhe