Andrey Ustyuzhanin— Ulusal Araştırma Üniversitesi İktisat Yüksek Okulu Büyük Veri Analizi Yöntemleri Araştırma ve Eğitim Laboratuvarı Başkanı.
2000 yılında Moskova Fizik ve Teknoloji Enstitüsü'nden fizik ve matematik bilimleri adayı olarak mezun oldu. Microsoft Imagine Cup uluslararası finallerinin hakimlerinden biri, ondan önce 2005'te kupayı kazanan MIPT ekibinin akıl hocasıydı.
Büyük Hadron Çarpıştırıcısının verilerinde anormallikler nasıl aranır?
Veri anomalileri nelerdir?
— Kullanılarak elde edilen verilerden bahsedersekBüyük Hadron Çarpıştırıcısı (LHC), proton çarpışmalarından sonra orada parçacık bozunmasının nasıl meydana geldiğine dair standart fikirlere uymayan keşifler olabilir. Bu keşifler anormal olacak.
Örneğin, varlık tekliflerinden bahsediyorsakBorsada, belirli bir hedge fonunun bir varlığı pompalamaya karar vermesi veya Wall Street Bets'in ekstra para kazanmaya ve kendi dağıtılmış hedge fonunu kurmaya karar vermesi nedeniyle anormallikler olabilir. Yani fizik tamamen farklıdır ve bu fiziğin verilerdeki tezahürü de diğer durumlara benzemez.
Dolayısıyla anormalliklerden bahsedeceksek öncelikle hangi veriden, hangi fizikten bahsettiğimizi anlamamız gerekiyor.
- O zaman çarpıştırıcılara odaklanarak açıklığa kavuşturalım.
- Burada da ortaya çıkmasına rağmen biraz daha kolayçatal. Gerçek şu ki, dedektörün içindeki parçacıklarla ne tür işlemlerin gerçekleştiğine dair veriler var. Ve bu çarpıştırıcının nasıl çalıştığına dair veriler var. Öncelikle yeni parçacıklar veya yasalar keşfetmekle ilgilenen kişiler, esas olarak ilk veri türüyle ilgilenir. Ama gerçek şu ki, fizikte olan her şey bu bilgiyi toplamak ve işlemek için oldukça uzun bir zincirden geçer. Ve bu zincirin herhangi bir düğümü hayal ettiğimiz gibi davranmamaya başlarsa, yani izin verilen sınırların dışına çıkarsa, bu, ölçümlerde bir bozulmaya neden olur. Genel olarak fizikte olmayan yerlerde anormallikler görebiliriz.
Protonların çarpışmasından sonra ortaya çıkan parçacık bozunmalarının orada nasıl meydana geldiğine dair standart fikirlere uymayan keşifler anomaliler olacaktır.
Bu tür hoş olmayan olaylardan kaçınmak için insanlarölçüm cihazlarındaki tüm verileri izleyen özel veri kalite kontrol sistemleri yazıyorlar ve bir şeylerin ters gittiğine dair şüphenin olduğu dönemleri değerlendirme dışı bırakmaya çalışıyorlar.
İnsanların konuşmaktan hoşlandığı örneklerden biriLHC'den fizikçilerin en büyük sorunu, çarpıştırıcının çalışmasının ilk aşamalarında fiziksel kavramlara uymayan anormallikleri fark etmeleriydi. Henüz LHC yoktu, ancak önceki versiyonu vardı. Sonuç olarak fizikçiler, yakınlarda bulunan demiryolundaki tren tarifesi ile korelasyonun çok ciddi olduğunu buldu. Ve eğer bu dalgalanmalarla ilgili ayarlamalar yaparsanız, dünyanın fiziksel olmayan bir resmini elde edersiniz.
Dış faktörleri hesaba katmak ve bunu yapabilmek gerekir.hangisinin doğru şekilde telafi edilmesi gerektiğini anlayın. En basit çözüm: Dünyanın olağan resmine uymayan verileri bir kenara atalım. Daha karmaşık hikayeler, bu anormallikleri anlaşılır ve fiziksel prensipler kullanarak normal verilere döndürmeye çalışmak ve onlardan yararlanmaya çalışmaktır.
Verileri atmak, bütçe fonlarının israfıdır. Her kilobayt-megabaytın belirli bir fiyatı vardır.
Andrey Ustyuzhanin, Ulusal Araştırma Üniversitesi Ekonomi Yüksek Okulu Büyük Veri Analiz Yöntemleri Araştırma ve Eğitim Laboratuvarı Başkanı
- Ve buna göre, bir makine öğrenimi sistemi kullanarak bu verilerdeki anormallik nasıl tespit edilebilir?
— Bu tür algoritmaların iki grubu vardır;anomalilerle çalışın. Tek sınıflı sınıflandırma yöntemlerinin ilk grubu, yalnızca iyi olarak işaretlenen olaylar hakkındaki bilgileri kullanan algoritmaları içerir. Yani, doğru olduğunu düşündüğümüz her şeyi içine alan dışbükey bir gövde inşa etmeye çalışıyorlar. Mantık şudur: Bu kabuğun kapsamını aşan her şeyi anormallikleri dikkate alacağız. Yani, örneğin, verilerin %99'u böyle bir kabuk tarafından kapsanır ve diğer her şey şüpheli bir şeye benziyor.
Başka bir algoritma grubu kısmiYanlış olduğunu düşündüğümüz şeyleri işaretliyoruz. Esasen, istenmeyen sonuçlara yol açtığı bilinen bir dizi olay vardır. Ve sonra anormallik arayışı iki sınıflı bir sınıflandırma problemine gelir. Bu, sinir ağları veya karar ağaçları ilkeleri üzerine inşa edilebilecek normal bir sınıflandırıcıdır.
Nüans, genellikle görevlerdeanomaliler, örnek dengeli değil. Yani, olumlu örneklerin sayısı, olumsuz olanların sayısını önemli ölçüde aşmaktadır. Bu koşullar altında standart sınıflandırma algoritmaları istediğimiz gibi çalışmayabilir. Varsayılan kayıp işlevi, doğru olarak nitelenen örnekleri eşit olarak ele alır ve 10.000 doğru sonuç arasında yanlış nitelenen yüzlerce örnek olduğu gerçeğini gözden kaçırabilir. Bu yüz sadece en ilginç olan olumsuz örnekleri temsil ediyor. Örneğin, olumsuz örneklere daha fazla ağırlık verilerek ve sınıflandırmalarındaki hataları çok daha fazla ağırlıkla hesaba katarak bununla mücadele edilebileceği açıktır.
kayıp fonksiyonu- istatistiksel kararlar teorisinde, gözlemlenen verilere dayanarak yanlış karar verilmesinden kaynaklanan kayıpları karakterize eden bir fonksiyon.
Laboratuvarımızın sorunun çözümüne katkısıAnormallik tespiti, birinci ve ikinci yaklaşımların özelliklerini birleştiren yöntemlerin önerilmesidir. Yani tek sınıf ve iki sınıf sınıflandırmayla çalışma görevi. Anormal örneklerin üretken modellerini oluşturursak böyle bir kombinasyon mümkün olur.
Üretken gibi yaklaşımları kullanmakolumsuz olarak etiketlenen örnekleri kurtarmayı öğrenebilir ve normal sınıflandırıcının artırılmış sentetik örnekle daha verimli çalışmasına izin verecek fazladan bir örnek oluşturabiliriz. Bu yaklaşım hem tablo verileri hem de görüntüler için iyi çalışır. Geçen yıl bununla ilgili, böyle bir sistemin nasıl kurulduğunu anlatan ve kullanımıyla ilgili pratik örnekler veren bir makale vardı.
- Görüntülerle çalışmaktan bahsettiniz. Bu durumda nasıl çalışır?
— Çalışmayı gösterdiğimiz örnekler varbu algoritma. Basitçe resim sınıflarından birini seçtiler: örneğin elle yazılmış sayılar. Sıfırın bir tür anormallik olduğunu söylediler. Ve sıfırların her şey gibi olmadığına karar veren sinir ağından negatif sınıfa atanmasını istediler. Doğal olarak bunlar yalnızca sıfırlar değil, aynı zamanda örneğin içinde kapalı döngülerin (068) bulunduğu sayılar veya yatay kesişimlere sahip sayılar da olabilir. Veya yalnızca numunenin geri kalanına göre belirli bir açıyla döndürülmüş görüntüler.
"Fiziği belirli koşullar altında simüle edebiliriz.iyi doğrulukta harici parametreler ve hangi gözlemlenebilir özelliklerin doğru sinyal olaylarını tanımlayacağını söyleyin, örneğin Higgs bozonunun bozunması "
Omniglot adında bir veri kümesi var -farklı yazı tiplerinde yazılmış harfler. Çok sayıda yazı tipi var: Futurama'dan, Gotik'ten, popüler olmayan alfabelerden el yazısıyla yazılmış - Sanskritçe veya İbranice. Sanskritçe harflerin bir anomali olduğunu söyleyebiliriz, belli bir el yazısıyla yazılan harfler de öyledir.
Sistemden her şeyi ayırt etmeyi öğrenmesini istiyoruzgeri kalanı bu anormal sembollerden. Ana şey, her şeyden çok daha küçük olmalarıdır. Bu, geleneksel makine öğrenimi algoritmaları için onlarla çalışmanın zorluğudur.
Fizik ve BT sembiyozu: LHC araştırmalarında makine öğrenimi nasıl kullanılır?
— LHC'nin hangi görevleri makine öğrenimi yardımıyla çözülür?
— Üzerinde çalıştığımız büyük görevlerden birifiziksel çarpışmaları ve parçacık bozunumlarını simüle eden hesaplama süreçlerini hızlandırmaktır. Gerçek şu ki, belirli olayların belirli fiziksel bozulmalara benzer olup olmadığına ilişkin karar, oldukça fazla sayıda simüle edilmiş bozulmanın analiz edilmesinden sonra verilmektedir. Fiziği belirli dış parametrelerde iyi bir doğrulukla simüle edebiliriz ve hangi gözlemlenebilir özelliklerin doğru sinyal olaylarını tanımlayacağını söyleyebiliriz, örneğin Higgs bozonunun bozunması.
Ancak bazı uyarılar var:Bu bozunumların hangi parametreler altında üretilmesi gerektiğini her zaman bilemeyiz. Kural olarak, bu konuda belirli bir fikir var. Ve doğru fiziği bulmanın zorluğu, sinyal olaylarını, kurtarma algoritmalarının yanlış çalışmasıyla ya da bulmaya çalıştığımız şeye çok benzeyen diğer süreçlerin fiziğiyle ilişkilendirilebilecek arka plan olaylarından ayırmaktır. Makine öğrenimi algoritmaları bu konuda iyi bir iş çıkarıyor ancak bu iyi bilinen bir hikaye.
Ancak bu tür algoritmaları eğitmek için gereklidir.simüle edilmiş olayların oldukça büyük bir istatistiksel örneği ve bu sentetik verilerin hesaplanması belirli kaynaklar gerektirir. Çünkü bir olayın simülasyonu, modern bilgisayar merkezlerinin hesaplama süresinin yaklaşık bir dakikasını hatta on dakikasını alır. Fizikçilerin üzerinde çalışacağı gerçek olayların sayısı önümüzdeki yıllarda kat be kat artacağından sentezlenen olay sayısının da artması gerekir. Artık bilgi işlem kaynakları, araştırmacıların ihtiyaçlarını karşılamak için zar zor yeterli. Çünkü bir olayı simüle etmek için mikropartiküllerin dedektörün yapısı ile etkileşimini hesaplamamız ve bu dedektörün sensörlerinde göreceğimiz tepkiyi çok yüksek doğrulukla simüle etmemiz gerekiyor.
Hızlandırmanın amacı sinir ağını eğitmektirÇarpıştırıcı dedektörlerinde olup biten her şeyi simüle eden GMT 4 sertifikalı bir paket kullanılarak simüle edilen olaylar hakkında. Bu nöron, girdileri, simüle etmek istediğimiz parçacıkların parametrelerini ve çıktıları (dedektörün ürettiği gözlemlenebilir özellikler) karşılaştırmayı öğrenecek. Günümüzde sinir ağları, veri enterpolasyonu göreviyle zaten oldukça iyi başa çıkıyor. Laboratuvarımızdaki birçok proje de tam olarak bunu hedefliyor. Yani, mevcut sentetik numuneden bozunma özelliklerini eski haline getirmek, yani bu tür ikinci dereceden sentetikler yapmak. Ancak bir nüans var: Sinir ağlarının avantajı, gerçek verileri kullanarak onlara ince ayar yapabilmemizdir. Yani, bu ayarı belirli bir fiziksel bozulma için daha doğru hale getirin.
Tam teşekküllü fiziksel faaliyetlerde bulunan insanlarsimülasyonda, zamanlarını ve emeklerini bunun için harcarlar, ancak nöronlarla biraz daha az emek yoğun hale gelir. CERN'deki LHTV deneyi ve Nica hızlandırıcısındaki Dubna MPD deney projesi için yaptığımız sonuçlardan, sinir ağlarının simüle edilmiş olayların faz uzayını kaplamada çok yüksek doğruluk elde edebileceği açıkça ortaya çıktı. Hesaplama sürecini önemli ölçüde hızlandırırlar: siparişler ve hatta dürüst bir simülasyondan yüzlerce daha hızlı.
— Sinir ağının kendisi nasıl öğreniyor?
— Öğrenme sürecinde herhangi bir farklılık yoktur.Ancak bir tuhaflık var: Bir sinir ağı için, eğitim örneğine ek olarak, kalite kriterlerini formüle etmek, yani bu ağın iyi bir şekilde başa çıkması gereken göreve en iyi şekilde karşılık gelecek bir kayıp fonksiyonu ayarlamak gerekir. Ek olarak, böyle bir sinir ağının çalışmasının kalitesi araştırmacılar tarafından değerlendirilmez: veri işlemenin daha sonraki bir aşamasında ortaya çıkan hesaplama adımları açısından yeterince değerlendirilebilir.
Bir simülasyonun iyi olup olmadığını belirlemek için şunları yapabiliriz:ancak olayları analiz, yeniden inşa zincirinden geçirdikten sonra ve onlara ilk başta koyduğumuz aynı özelliklerin onlardan geri kazanıldığını anlıyoruz. Bu, örneğin basit bir MSE Ortalama Kare Hata metriğinin kullanılmasının yeterli olmadığı anlamına gelir.
MSE Ortalama Kare Hatası- Tahmini değerler ile gerçek değer arasındaki ortalama karekök farkını ölçer.
Sinir ağının davranışının daha ayrıntılı olarak değerlendirilmesi gerekmektedir.Eğitim setinde bulunmayan parametre aralıklarındaki özellikler. Eğitim aşamasında bilinen parametre değerlerinin çok ötesinde davranan bu tür modellerin oluşturulması büyük ve teorik bir iştir.
Sinir ağları bulundukları yerlerde iyidireğitim aşamasında bir şeyler biliyordu. Bunların dışında istediklerini verebilirler. Bizim durumumuzda bu özellikle hassastır çünkü çevremizdeki gerçekliğin fiziksel yorumunun doğruluğu buna bağlıdır.
"Bir karanlık madde parçacığı, nasıl etkileşeceğimizi bildiğimiz parçacıklara bozunursa, bu karanlık madde parçacığının gerçekten öyle olduğu varsayılabilir."
- Yani, sinir ağı çarpıştırıcıda meydana gelebilecek nadir olayları mı arıyor?
— Üretken modellerin çalışmasına dayanarak, yani,İlk olarak, olabilecek her şeyin sentezinden bahsediyoruz. Bunu minyatür modellerle yapıyoruz. Ve bu tür ağların çıktısında, ihtiyacımız olanı arayacak bir model oluşturabiliriz: Üretken bir sinir ağında üretmeyi başardığımız şey.
Karanlık madde nasıl aranır ve bunun için neden sinir ağlarına ihtiyaç duyulur?
— Benzer bir arama ilkesi karanlık maddeye uygulanabilir mi?
- Gerçek şu ki, karanlık madde aranabilirFarklı yollar. Bir yol, sıradan maddenin etkilerinden oldukça iyi bir şekilde izole edebilen uygun bir dedektör oluşturmaktır. Yani fizikçilerin bildiği parçacıklardan gelen sinyali engellemek. Bu sadece bir eleme yöntemidir: dedektör gürültüden başka bir şey görürse, daha önce hiç görmediğimiz bir şey görür. Bir olasılık, bunların karanlık madde parçacıkları olması olabilir.
Örneğin, bir karanlık madde parçacığınasıl etkileşeceğimizi bildiğimiz parçacıklara bozunur ve bozunma izlerinin ondan başka hiçbir yerden görünemeyeceği açıktır, o zaman bu karanlık madde parçacığının gerçekten olduğunu varsayabiliriz.
Bu tür deneyler tartışılır ve planlanır.Bunlardan birine SHiP (Gizli Parçacıkları Ara) denir. Ve bu arada, böyle bir deney için bahsettiğim yaklaşımlar da uygulanabilir. Nadir yaklaşımları tanımak için simülasyon ve algoritmalar gerektirir. Ancak bu deneyin parlaklığı çok daha düşük olduğundan (parlaklık, birim zamanda tespit edilmesi planlanan parçacıkların sayısıdır), çok sayıda benzer olayı simüle etme ihtiyacı, Hadron Çarpıştırıcısı durumunda olduğu kadar keskin değildir. dedektörler. Örneğin, fizik tarafından bilinen parçacıklara karşı koruma sisteminin kalitesini değerlendirmekle ilgili görev, oldukça fazla sayıda olayın simülasyonunu gerektirir. Bu, korumanın çeşitli türlerdeki çok sayıda gelen parçacıkla iyi çalıştığından emin olmak için gereklidir.
Gemigizli olanı bulmayı amaçlayan bir deneydirKaranlık madde parçacıkları da dahil olmak üzere parçacıklar, SPS hızlandırıcısından manyetik alanlarla filtrelenen parçacık akışında, beş metrelik bir beton ve metal tabakasında yer alıyor.
Karanlık maddeyi aramanın başka yolları da var.uzay olaylarının gözlemleriyle ilgilidir. Özellikle bir yaklaşım, çok zayıf etkileşime giren parçacıkların yönünü, bu parçacığın geliş açısına bağlı olarak tanıyan hassas elemanlar oluşturmaktır. Deneyin mantığı, hassas unsurları Güneş sisteminin hareket vektörü boyunca, yani Kuğu takımyıldızına doğru yönlendirilecek şekilde yerleştirmenin mümkün olmasıdır. O zaman Dünya'nın koordinat sisteminde hareket eden parçacıkları farklı hareket eden parçacıklardan ayırt edebileceğiz. Uzayda kendi yasalarına göre dağıtılan hareketsiz eter gibi, gezegenlerin yönelimi ve hareket yönüyle hiçbir şekilde bağlantısı yoktur. Sadece eter yerine karanlık madde parçacıklarının olduğu varsayılıyor. Deneyimizin sensörleriyle zayıf bir şekilde etkileşime girebilirler. Ve okumalarını analiz ederek, etkileşen parçacıkların açısal dağılım modellerini elde etmek mümkündür. Dünyanın uzaydaki konumuna bağlı olmayan ciddi bir bileşenin olduğunu görürsek, bu daha önce bilinmeyen parçacıkların varlığına işaret edecektir. Ve belki de bunlar karanlık madde parçacıklarına aday olacak.
Böyle bir deneyde simülasyon oldukça önemlidir,çünkü sinyal olaylarını tanımak için bir algoritma oluşturmak için ilgilendiğimiz sinyalin nasıl göründüğünü hayal etmeniz gerekir. Bu nedenle, hızlı simülasyon ve anormalliklerin aranmasıyla ilgili görevler burada alakalı ve uygulanabilir.
Farklı dilleri konuşuyorlar, ancak hedefler ortak
Biraz da CERN'de çalışmaktan bahsedelim. Bir BT çalışanının fizikçilerle çalışması nasıl bir şey? LHC gibi bilimler arası bir alanda çalışmanın özellikleri nelerdir?
- İyi soru.Aslında insanlar farklı diller konuşuyor: aynı kavramların grafiksel olarak farklı şekillerde temsil edildiği noktaya geliyor. Örneğin makine öğrenimi uzmanlarının alışık olduğu ROC eğrileri genellikle fizikte 90 derece döndürülmüş olarak çizilir. Ve koordinatlara Doğru Pozitif Oran ve Yanlış Negatif Oran değil, Sinyal verimliliği ve Arka Plan reddi denir. Üstelik, Sinyal verimliliği hâlâ Hassas ise, Arka Plan reddi bir eksi Gerçek Negatif Orandır.
ROC eğrisi (İngilizce alıcı çalışma özelliğinden, alıcı çalışma özelliğinden)— ikili dosyanın kalitesini değerlendirmenizi sağlayan bir grafiksınıflandırmalar. Doğru bir şekilde özniteliği taşıyor olarak sınıflandırılan öznitelik taşıyıcılarının toplam sayısından nesnelerin payları ile özniteliği taşımayan, yanlış bir şekilde özniteliği taşıyor olarak sınıflandırılmış nesnelerin toplam sayısından nesnelerin payları arasındaki ilişkiyi görüntüler.
Böyle şeylerin olabileceği açıkyüzeyseldir ve alışması nispeten kolaydır, ancak asıl zorluk, araştırmacıların makalelerini yazarken yaptıkları bazı temel varsayımları anlamakta yatmaktadır. Ve kural olarak yazdıklarının ötesindedirler. Yani bu, bir kişinin lisansüstü okuldaki eğitimi sırasında aktarılan, araştırma projeleri üzerinde çalışma sürecinde zihninde oluşan bir tür gizli bilgidir.
Başka bir bilim alanından insanlar için,farklı kültürel ortam. Onlar için bu varsayımlar çok açık olmayabilir. Sözlüğün oldukça kapsamlı ve farklı olması nedeniyle, diyalog kurmak gecikebilir, hatta verimsiz olabilir. Bu nedenle, burada tavsiye olarak, muhtemelen insanlardan alışık olduklarının ötesine geçmelerini ve sorunu fizikten en soyut terimlerle formüle etmelerini istemek tavsiye edilebilir. Bunu kısmen IDAL Olimpiyatımızın bir parçası olarak yarışmalar düzenlediğimizde yapıyoruz. Diyalog sürecinde, fiziğe derinlemesine dalmayı gerektirmeyen, ancak aynı zamanda makine öğrenimi uzmanları için ilginç olacak bir ortam buluyoruz.
Bu yıl ortak projemiz vardı.karanlık maddeyi arayan bir İtalyan laboratuvarı. Olimpiyatlara bu karanlık maddeyi bulmak için sentetik veriler sağladılar. Orada gerçekten karanlık madde yok çünkü bilinen fiziğin bozunumları simüle edildi: elektronların ve helyum iyonlarının çarpışmaları. Ancak karanlık madde parçacıklarının çarpışmaları bu çarpışmaların bazılarına çok benzer olabilir. Bunların simüle edilmesi çok zordur ve yorumlanması daha da zordur. Bu nedenle özellikle bu alanda uzman olmayan kişiler için bu verileri çıkarmamaya ve kendimizi yalnızca benzer olanlarla sınırlamaya karar verdik. Göreceğimiz algoritmalar yaklaşık veriler üzerinde çalışıyor ancak gerçek verilere de uygulanabiliyor.
Andrey Ustyuzhanin. Konuşmacının arşivinden fotoğraf
Özetle, bir yol herkes için net şartlar üzerinde anlaşmak, diğeri ise zaman ve emek harcamak, yaz okullarına gitmek, uygulamalı araştırma projelerine katılmak.
Andrey Ustyuzhanin tarafından önerilen makine öğrenimi ve fiziksel deneyler hakkında kitaplar:
- Deepak Kar,Deneysel Parçacık Fiziği: Büyük Hadron Çarpıştırıcısında yapılan ölçümleri ve aramaları anlama.
- İlya Narsky,Parçacık Fiziğinde İstatistiksel Analiz Teknikleri: Uyumlar, Yoğunluk Tahmini ve Denetimli Öğrenme.
- Giuseppe Carleo,Makine öğrenimi ve fizik bilimleri.
- Fizikçilerin ve BT uzmanlarının değerleri arasında herhangi bir çelişki var mı: örneğin, etkileşimlerin doğası biri için daha mı önemli, yoksa tam tersine doğruluk mu?
— Özellikle doğruluktan bahsedersek, muhtemelenhiçbir belirsizlik yok. Ancak bunun nedeni daha çok BT uzmanlarının verilerin doğasını anlamamasından kaynaklanmaktadır. Sadece verileri bir milimetrelik bir doğrulukla ölçtüysek, o zaman alanı mikron karelik bir doğrulukla hesaplamanın bir anlamı yoktur. Karmaşık sinir ağları söz konusu olduğunda, mantisteki son işarete kadar doğru bilgi ürettikleri gerçeğiyle karşı karşıyayız ancak bu işaretlerde, girişteki doğruluktan daha fazla anlam yoktur.
Belki de insanlar için genel bir dilekModellerin doğruluğunu değerlendirmekle ilgili olan, yalnızca mutlak özellikleri değil, aynı zamanda kabul edilebilir aralıkların sınırlarını veya bu değerlerin elde edildiği yayılımı da vermektir. Aslında sadece fizikçiler veya biyologlarla etkileşime girenler için iyi bir tavsiye değil. Prensipte, elde edilen sonuçların bir sunumunu sürdürmenin doğru yolu budur.
Ve bunların ne kadar olabileceği hakkında konuşursakbir tarafta ve diğer tarafta farklı beklentiler varsa, o zaman bunların hepsi işe yarayan konulardır aslında. Her iki tarafın da ilgisi varsa, bunlar basit ve iyi bir şekilde çözülebilir. Yani, makine öğrenimi artık fizikçiler arasında geniş anlamda talep görüyor çünkü verileriyle çalışmak için daha doğru araçlar sağlıyor. Ve ters yönde çalışıyor çünkü makine öğrenimi uzmanları için, algoritmalarının yeni parçacıkların keşfine nasıl yardımcı olduğunu görmek, örneğin laboratuvarımızda olduğu gibi, çok daha ilginç olabilir. Parçacığın türünü belirleyecek bir algoritma oluşturmak için uzun süre çalıştık. Son zamanlarda yeni tetrakuarkların keşfedildiğine dair haberler çıktı ve algoritmalarımız bunların keşfinde doğrudan rol aldı.
Bu nedenle, BT'den, şartlı olarak Veri Biliminden insanlar için,Bilgisayar Bilimleri, geliştirdikleri algoritmaların kullanışlılığını hissetmek çok önemlidir. Bu nedenle örneğin fakültemizde Uluslararası Biyoinformatik Laboratuvarı bulunmaktadır.
Bu tür etkileşimler giderek artıyorgiderek daha normal hale geliyor. Zaten ana akım olarak kabul edilebilirler mi, yoksa hala beklememiz mi gerekiyor bilmiyorum ama öyle ya da böyle bu hikaye kaçınılmaz. Günümüzün önde gelen yapay zeka konferansları kapsamında düzenlenen çalıştaylara baktığınızda bile, ilgilenen kişi sayısında yapay zekanın fizik bilimlerinde kullanımına ilişkin çalıştay ilk sıralarda yer alıyor.
Daha fazla oku:
Amerikan uydusu Dünya'dan alışılmadık bir mesaj "gördü"
Deneysel bir hızlandırıcıdan fırlatılan roketten yayınlanan video
Galaksimizin merkezindeki canavar: Samanyolu'ndaki bir kara deliğin fotoğrafına bakın