Нобелевская премия по физике 2024. Что дают искусственные нейросети физике Если решение Нобелевского комитета присудить премию по физике «за основополагающие открытия и изобретения, которые позволяют осуществлять машинное обучение с использованием искусственных нейронных сетей» не вызвало единогласного принятия, то важная роль искусственных нейросетей и искусственного интеллекта в современных физических исследованиях не вызывает ни у кого сомнений. Небольшую иллюстрацию к данному утверждению приведем из отрывка "ANNs as powerful tools in physics and other scientific disciplines" Scientifc Background to the Nobel Prize in Physics 2024 “For foundational discoveries and inventions that enable machine learning with artificial neural networks”. ИНС как мощный инструмент в физике и других научных дисциплинах Большая часть вышеприведенного обсуждения сосредоточена на том, как физика была движущей силой изобретения и развития ИНС. И наоборот, ИНС играют все более важную роль в качестве мощного инструмента для моделирования и анализа практически во всех областях физики. В некоторых приложениях ИНС используются в качестве аппроксиматора функций; т.е. ИНС используются для создания «имитатора» рассматриваемой физической модели. Это может значительно сократить необходимые вычислительные ресурсы, что позволяет исследовать большие системы с более высоким разрешением. Таким образом были достигнуты значительные успехи, например, в решении квантово-механических задач многих тел. Здесь архитектуры глубокого обучения обучены воспроизводить энергии фаз материалов, а также форму и силу межатомных сил с точностью, сравнимой с квантово-механическими моделями ab initio. С помощью этих атомных моделей, обученных ИНС, можно значительно быстрее определять стабильность фаз и динамику новых материалов. Примеры, демонстрирующие успех этих методов, включают предсказание новых фотоэлектрических материалов. Кроме того, с помощью этих моделей можно изучать фазовые переходы, а также термодинамические свойства воды. Подобным образом развитие ИНС-методов позволило достичь более высокого разрешения в явных климатических моделях, основанных на физике, не прибегая к дополнительным вычислительным мощностям. Окончание читайте в Подробнее. Загрузить:
В 1990-х годах ИНС стали стандартным инструментом анализа данных в экспериментах в области физики частиц, сложность которых постоянно возрастала. Такие востребованные фундаментальные частицы как бозон Хиггса существуют лишь доли секунды после образования в высокоэнергетических столкновениях частиц ( ИНС улучшили чувствительность поиска бозона Хиггса на Большом электрон-позитронном коллайдере CERN (Large Electron-Positron (LEP) collider) в 1990-х годах и были использованы при анализе данных, которые привели к открытию бозона Хиггса на Большом адронном коллайдере CERN в 2012 году. ИНС также использовались в исследованиях топ-кварка в Фермилабе. В астрофизике и астрономии ИНС также стали стандартным инструментом анализа данных. Недавний пример - анализ данных нейтринного детектора IceCube на Южном полюсе с помощью ИНС, в результате которого было получено нейтринное изображение Млечного пути. Миссия «Кеплер» с помощью ИНС определила транзиты экзопланет. При получении изображения черной дыры в центре Млечного Пути с помощью телескопа Event Horizon Telescope использовались ИНС для обработки данных. На сегодняшний день самым впечатляющим научным прорывом с использованием методов глубокого обучения ИНС является инструмент AlphaFold для предсказания трехмерных структур белков по их аминокислотным последовательностям. В моделировании промышленных приложений физики и химии ИНС также играют все более важную роль. В заключение приведем цитату главного редактора APL Machine Learning, Аднана Мехоника: «Нобелевская премия по физике этого года демонстрирует, что машинное обучение, по своей сути, во многом обязано физике. Физика не просто вдохновляла, она предоставила важнейшие математические и концептуальные инструменты, которые заложили основу машинного обучения. Теперь, в интересном повороте, машинное обучение стимулирует развитие всех дисциплин, включая физику. Это взаимодействие не просто интригует, оно имеет ключевое значение. Я верю, что в будущем оно станет источником фундаментальных прорывов. Именно эту синергию мы стремимся отразить в APL Machine Learning - взаимные отношения между «Прикладной физикой для машинного обучения» и «Машинным обучением для прикладной физики». |
Электронный портал ядерных знаний Республики Беларусь
Belarusian Nuclear Education and Training Portal - BelNET
с). Об их присутствии приходится догадываться по трэкам и переданной энергии в больших детекторах. Часто ожидаемая сигнатура детектора встречается очень редко и может быть имитирована более распространенными фоновыми процессами. Для идентификации распадов частиц и повышения эффективности анализа были обучены ИНС, способные вычленять специфические закономерности в больших объемах данных детекторов, генерируемых с высокой скоростью.
