Una visualización de cómo un algoritmo de aprendizaje automático interpreta los chorros, que son aerosoles colimados de partículas que se producen copiosamente en el Gran Colisionador de Hadrones. Cada anillo rodea una región de interés y la máquina está prestando mayor atención al centro del chorro, donde hay más información sobre cómo se formó el chorro.
Crédito: Patrick T. Komiske, Eric M. Metodiev, Jesse Thaler
Si una computadora puede aprender por sí misma a jugar el antiguo juego de mesa Go mejor que el campeón mundial humano, si una computadora puede incluso evocar un nuevo y genial movimiento Go, ¿no podría una computadora descubrir también una nueva física?
Jesse Thaler, profesor asociado de física en el Instituto de Tecnología de Massachusetts (MIT), investiga el potencial de la inteligencia artificial (IA) en la física de partículas. En 2020, Thaler también se convirtió en director del Instituto de Inteligencia Artificial e Interacciones Fundamentales (IAIFI) de la Fundación Nacional de Ciencias, que se dedica a promover el conocimiento de la física y a impulsar la innovación en investigación de inteligencia artificial.
Por el momento, el modelo estándar de física de partículas es la mejor descripción de tres de las cuatro fuerzas fundamentales de la naturaleza y de una gran familia de partículas elementales. Encontrar desviaciones del modelo estándar podría llevar a los físicos a descubrir nuevas partículas o nuevas interacciones, y la IA podría jugar un papel importante en esto.
En una entrevista de Zoom, Thaler habla sobre el presente y el futuro de la aplicación de la IA a la física de partículas.
¿Por qué la física de partículas necesita IA?
La física de partículas es un campo rico en datos. En el Gran Colisionador de Hadrones (LHC) del CERN, las partículas chocan cada 25 nanosegundos. El procesamiento y análisis de estas colisiones debe realizarse de forma automatizada y robusta. Estamos viendo ahora que nuestras herramientas tradicionales han llegado a sus límites. La IA tiene el potencial de aprovechar las nuevas características de estos conjuntos de datos «.
¿Dónde estamos ahora mismo con la IA en física de partículas?
En este momento, la IA ha aumentado y mejorado las estrategias que la física de partículas ya ha utilizado durante muchas décadas. La IA brinda a los físicos una mejor capacidad para reconstruir partículas de los escombros de la colisión e interpretar los resultados.
¿Qué tipo de IA se utiliza en física de partículas?
Es casi todo aprendizaje automático, y la mayor distinción que hay que hacer es entre aprendizaje automático supervisado y no supervisado. Hasta ahora, en física de partículas, nos hemos centrado en el aprendizaje supervisado, basado en conjuntos de entrenamiento con datos etiquetados.
¿Qué tan abiertos están los físicos a aplicar la IA?
Hace algunos años, varios de mis colegas, y yo también, éramos bastante escépticos sobre la aplicación del aprendizaje profundo a la física de partículas. En el pasado, habíamos enfrentado desafíos con la solidez del aprendizaje automático. Mirando hacia atrás, esto se debió a una potencia computacional limitada y una cantidad limitada de datos. Todo esto ha cambiado. Ahora estamos usando datos de formas más sofisticadas y tenemos el poder computacional para aprovechar arquitecturas avanzadas. Pero especialmente importante es que hemos aprendido cómo integrar el conocimiento físico en la IA que nos permite hacer predicciones de una manera más sólida.
¿Puede dar un ejemplo de conocimiento físico que se utiliza en la IA?
Tomemos como ejemplo una foto de un gato. Si el gato se mueve a una parte diferente de la imagen, sigue siendo el mismo gato. Un físico llama al movimiento una traducción, y usted quiere que ese sistema de reconocimiento de imágenes sea invariable bajo esa traducción. Sin embargo, las técnicas genéricas de IA del pasado no conocían esa estructura traslacional. Las redes neuronales convolucionales, que se integran en las tecnologías de aprendizaje profundo actuales, incorporan automáticamente esta simetría traslacional. Esto ha dado lugar a respuestas mucho más sólidas. Y hay más ejemplos de los principios de la física de cocción en su arquitectura de inteligencia artificial.
¿Cuál es el objetivo del nuevo instituto del que es director: el NSF AI Institute for Artificial Intelligence and Fundamental Interactions?
Nuestro objetivo es avanzar en el conocimiento de la física, desde los bloques de construcción más pequeños de la naturaleza hasta las estructuras más grandes del universo. Al mismo tiempo, queremos impulsar la innovación en la investigación de la IA a un nivel fundamental. En nuestro instituto, aproximadamente un tercio de la gente trabaja en física teórica, un tercio en física experimental y un tercio en IA fundamental. Es muy importante desarrollar un lenguaje común que permita a estas tres comunidades comunicarse mejor. Hemos visto todo tipo de conexiones sorprendentes entre la física fundamental y las técnicas de inteligencia artificial. Esperamos poder utilizar varios principios de la física, como las simetrías, para impulsar la IA.
¿Cuáles son sus expectativas para la IA en la física de partículas durante los próximos 10 años?
La tendencia que continuará absolutamente es el uso de la IA como un refinamiento de las técnicas existentes. Eso es una obviedad. En segundo lugar, veremos una transición en los tipos de análisis que vamos a hacer. En lugar de decir: ‘¿este conjunto de datos proviene del Modelo Estándar versus de una hipótesis específica?’, Podremos hacer la pregunta: ‘¿En qué medida estos datos son consistentes con el Modelo Estándar versus cualquier hipótesis?’ Esto requiere que el campo se enfrente a la pregunta: «¿qué significa buscar todas las posibles desviaciones de lo que ya se conoce?» Esa es una pregunta difícil de responder, pero hay evidencia de que el aprendizaje automático sin supervisión puede ser una herramienta muy poderosa «.
¿El próximo Einstein será una computadora?
No sé si el próximo Einstein será una computadora, pero sé que desarrollar un lenguaje común entre humanos y computadoras, y descubrir cómo los conceptos que tratamos en física teórica pueden expresarse en forma de programa de computadora, eso va a ser muy poderoso. Para la próxima generación de físicos, se requiere un nuevo tipo de formación: aprender a utilizar los recursos computacionales como parte del proceso creativo.
Bennie Mols es un escritor de ciencia y tecnología con sede en Ámsterdam, Países Bajos.
entradas no encontradas