PHYS, 13/10/2022
Por Chris Patrick
Os cientistas começaram a recorrer a novas ferramentas oferecidas pelo aprendizado de máquina para ajudar a economizar tempo e dinheiro. Nos últimos anos, a física nuclear viu uma enxurrada de projetos de aprendizado de máquina online, com muitos artigos publicados sobre o assunto. Agora, 18 autores de 11 instituições resumem essa explosão de trabalho auxiliado por inteligência artificial em “Machine Learning in Nuclear Physics”, um artigo publicado recentemente na Reviews of Modern Physics.
"Era importante documentar o trabalho que foi feito. Nós realmente queremos aumentar o perfil do uso de aprendizado de máquina em física nuclear para ajudar as pessoas a ver a amplitude das atividades", disse Amber Boehnlein, principal autora do artigo e o diretor associado de ciência e tecnologia computacional da Thomas Jefferson National Accelerator Facility do Departamento de Energia dos EUA.
Como o artigo reúne e resume os principais trabalhos na área até agora, Boehnlein espera que possa atuar como um recurso educacional para leitores interessados, bem como um roteiro para empreendimentos futuros.
"Ele fornece uma referência que as pessoas podem usar à medida que avançam para a próxima fase", disse ela.
Uma revolução de aprendizado de máquina
Depois de participar de um workshop explorando a inteligência artificial no Jefferson Lab em março de 2020 e publicar um relatório de acompanhamento, Boehnlein e dois de seus coautores, Witold Nazarewicz e Michelle Kuchera, foram inspirados a dar um passo adiante. Juntamente com 15 colegas representando todos os subcampos da física nuclear, eles decidiram realizar uma pesquisa sobre o estado dos projetos de aprendizado de máquina em física nuclear.
Eles começaram da seguinte forma: como descrevem os autores, o primeiro trabalho significativo empregando aprendizado de máquina em física nuclear usou experimentos de computador para estudar propriedades nucleares, como massas atômicas, em 1992. Embora este trabalho sugerisse o potencial do aprendizado de máquina, seu uso no campo permaneceu mínimo por mais de Duas décadas. Nos últimos anos, isso mudou.
O aprendizado de máquina, que envolve a construção de modelos que podem executar tarefas sem instruções explícitas, exige que os computadores façam coisas específicas, incluindo cálculos complicados. Com os avanços recentes, os computadores podem atender melhor a essas demandas, o que permitiu que os físicos incorporassem mais prontamente o aprendizado de máquina em seu trabalho.
"Este teria sido um artigo menos interessante em 2019, porque não haveria trabalho suficiente para catalogar. Mas agora, há um trabalho significativo a ser citado devido ao aumento do uso das técnicas", disse Boehnlein.
Hoje, o aprendizado de máquina abrange todas as escalas e faixas de energia da pesquisa, desde investigações dos blocos de construção da matéria até investigações sobre os ciclos de vida das estrelas. Também é encontrado nos quatro subcampos da física nuclear: teoria, experimento, ciência e operações de aceleradores e ciência de dados.
“Fizemos um esforço para compilar um recurso abrangente e coletivo que une os esforços em nossos subcampos, que esperamos desencadear discussões ricas e inovações em física nuclear”, disse o coautor Kuchera, professor associado de física e ciência da computação na Colégio Davidson.
Modelos de aprendizado de máquina podem ser usados para ajudar tanto no projeto quanto na execução de experimentos em física nuclear. Eles também podem ser usados para auxiliar na análise dos dados desses experimentos, dos quais muitas vezes há excesso de petabytes.
“Espero que o aprendizado de máquina seja incorporado em nossa coleta e análise de dados”, disse Kuchera.
O aprendizado de máquina acelerará esses processos, o que pode significar menos tempo e dinheiro necessários para tempo de transmissão, uso de computador e outros custos experimentais.
Conectando teoria e experimento
Até agora, no entanto, o aprendizado de máquina desenvolveu o ponto de apoio mais forte na teoria nuclear. Nazarewicz, que é um teórico nuclear e cientista-chefe da Facility for Rare Isotope Beams da Michigan State University, está especialmente interessado neste assunto. Ele diz que o aprendizado de máquina pode ajudar os teóricos a fazer cálculos avançados mais rapidamente, melhorar e simplificar modelos, fazer previsões e ajudar os teóricos a entender as incertezas de suas previsões. Também pode ser usado para estudar fenômenos sobre os quais os pesquisadores não podem realizar experimentos, como explosões de supernovas ou estrelas de nêutrons.
"As estrelas de nêutrons não são muito fáceis de usar", disse Nazarewicz.
Ele usa aprendizado de máquina para estudar núcleos e elementos hiperpesados, que têm tantos prótons e nêutrons em seus núcleos que não podem ser observados experimentalmente.
“Acho que os resultados são os mais impressionantes na comunidade teórica, particularmente na comunidade teórica de baixa energia à qual Witold está associado”, disse Boehnlein. "Eles parecem estar realmente adotando essas técnicas."
Boehnlein disse que os teóricos também começaram a adotar essas técnicas no Jefferson Lab em seu estudo de estruturas de prótons e nêutrons. Especificamente, o aprendizado de máquina pode ajudar a extrair informações de teorias complicadas, como a cromodinâmica quântica, a teoria que descreve as interações entre os quarks e glúons que compõem prótons e nêutrons.
Os autores preveem que o envolvimento do aprendizado de máquina na teoria e no experimento acelerará esses subcampos de forma independente e também os interconectará melhor para acelerar todo o ciclo do processo científico.
“A física nuclear nos ajuda a fazer descobertas para entender melhor a natureza do nosso universo e também é usada para aplicações sociais”, disse Nazarewicz. "Quanto mais rápido pudermos fazer o ciclo entre experimento e teoria, mais rápido chegaremos a descobertas e aplicações."
À medida que o aprendizado de máquina continua a crescer nesse campo, os autores esperam ver mais desenvolvimentos e aplicativos mais amplos incorporando essa ferramenta.
“Acho que estamos apenas na infância da aplicação do aprendizado de máquina à física nuclear”, disse Boehnlein.
E, ao longo do caminho, este artigo servirá de referência, até mesmo para seus próprios autores.
“Espero que o artigo seja usado como um recurso para entender o estado atual da pesquisa de aprendizado de máquina, permitindo-nos construir a partir desses esforços”, disse Kuchera. “Minha pesquisa está centrada em métodos de aprendizado de máquina, então absolutamente utilizarei este artigo como uma janela para o estado do aprendizado de máquina na física nuclear agora”.
Artigos recomendados: ML e Tech
Fonte:https://phys.org/news/2022-10-machine-nuclear-physics.html
Nenhum comentário:
Postar um comentário