盖尔·道奇和蒂芙尼·惠特菲尔德著
最靠谱的网赌软件的核物理学家和计算机科学家以及托马斯·杰斐逊国家加速器设施(杰斐逊实验室)之间的合作极大地增加了从实验室实验中提取的信息, 每年可能价值数百万美元.
Nikos Chrisochoides, Richard T. 清华大学计算机科学系特聘教授、杰出学者, 以及他的实时计算中心(CRTC)小组与加吉克·加瓦利安合作, 杰斐逊实验室的工作人员, 将机器学习(人工智能的一种)应用于核物理数据分析.
在杰斐逊实验室, 电子被加速到光速, 形成一个强大的高能光束来探测原子核内部. 原子核由质子和中子组成, 每一种都进一步由夸克和胶子组成. 当一个电子与其中一个亚原子粒子碰撞时(称为“事件”), 通常会产生几个颗粒, 包括由事件中的能量产生的粒子. 这些喷射出的粒子帮助我们了解质子和中子的亚结构, 哪里有许多科学问题尚未解决.
ODU科学家在杰弗逊实验室使用机器学习来识别粒子轨迹，这涉及到使用全新的技术来解决以前不可能解决的问题.
劳伦斯·温斯坦, ODU杰出学者，物理学教授，杰斐逊实验室用户组织前任主席, 写了, “通过改进粒子轨迹重建, 该项目使重建的复杂核碰撞次数增加了35%. 这使我们能够从相同的数据中获得35%以上的物理特性, 否则每年将花费约500万美元."
分析这些电子-核碰撞的物理学家面临的挑战是识别产生的所有粒子, 包括测量它们的动量. 然而，测量这些亚原子粒子是困难的. 杰斐逊实验室使用房子大小的“光谱仪”来重建能量, 这些粒子的动量和特性来自它们穿过光谱仪探测器时留下的微小能量痕迹.
不幸的是, 除了粒子的轨迹, 探测器中也有很多噪音, 因为有害的粒子和辐射. 重建粒子轨迹需要识别由该粒子引起的所有探测器“命中”, 而忽略了噪音造成的撞击. 一个有效的轨迹通常会在光谱仪中留下100多个命中点. 但是，在数十万个探测器通道中，可能存在相等或更多的杂散信号.
ODU的研究生Polykarpos Thomadakis和CRTC团队的其他成员开发了深度学习模型，用于“去噪”杰斐逊实验室电子束和CLAS12光谱仪高速运行时产生的高噪声数据. 在利用去噪方法后，他们开发了, 与传统算法相比，粒子跟踪效率提高了80%.
“这项工作表明，人工智能(AI)的新跟踪算法开启了在更高亮度下进行实验的可能性, 在更短的时间内为物理反应收集更大的数据样本,克里索科伊德说.
Gavalian解释了其影响:“CRTC小组提供的专业知识有助于开发新的机器学习模型，以辅助传统的跟踪算法. 航迹重建效率的提高提高了实测观测数据对现有实验数据的统计精度, 同时也为进行更高光度的实验，收集更多的数据铺平了道路."
Chrisochoides和他的CRTC团队在ODU开发了实时计算技术，并在这个项目上工作了三年.
“这个项目的成功凸显了跨学科研究和数据科学技术的好处, 哪些可以用来推动其他科学领域的突破,盖尔·道奇说, 奥德赛大学理学院院长. “对于不同领域的科学家来说，学习彼此的语言并克服最初的障碍来建立有效的合作并不容易. Dr. Chrisochoides,博士. Gavalian和CRTC的学生团队把一笔小小的金融投资和大量的辛勤工作变成了一个令人难以置信的成就."
Chrisochoides说, “当使用基于传统数据分析方法的软件将其与运营成本进行比较时，不会影响结果的准确性, 它使每天积累的物理统计数量翻倍, 可以用一半的时间完成实验."
ODU的CRTC团队接下来要做什么? Chrisochoides计划在粒子追踪和脑部手术中使用量子计算. 请继续关注.
