การเรียนรู้เชิงลึกจะระบุการชนกันโดยตรงในข้อมูล LHC

การเรียนรู้เชิงลึกสามารถถือเป็นกุญแจสำคัญในการทำความเข้าใจการชนของโปรตอนที่เกิดขึ้นในเครื่องเร่งอนุภาคชั้นนำของโลก นั่นคือข้อความจากนักฟิสิกส์ในยุโรปและสหรัฐอเมริกาที่ได้แสดงให้เห็นว่าอัลกอริทึมที่พัฒนาขึ้นสำหรับการแปลภาษาสามารถกรองสัญญาณรบกวนจากข้อมูลที่ตรวจจับโดยเครื่องตรวจจับได้อย่างไร อัลกอริธึมสามารถให้นักฟิสิกส์มีโอกาสที่ดีที่สุดในการค้นพบอนุภาคใหม่ที่แปลกใหม่

ได้รับการอัปเกรดแล้ว 

อัดโปรตอนเข้าด้วยกันด้วยพลังงานที่สูงอย่างไม่น่าเชื่อ เพื่อสร้างอนุภาคขนาดใหญ่จำนวนมาก ซึ่งอาจรวมถึงอนุภาคสมมุติที่ไม่ได้อธิบายไว้ในแบบจำลองมาตรฐานของฟิสิกส์ของอนุภาค ซึ่งการค้นพบนี้เป็นเป้าหมายหลักชนกลุ่มที่มีโปรตอนหลายพันล้านตัวเพื่อให้แน่ใจว่ามีโอกาสที่เหมาะสม

ที่โปรตอนอย่างน้อยหนึ่งตัวจากกลุ่มหนึ่งจะทำปฏิกิริยากับโปรตอนในอีกกลุ่มหนึ่ง ความท้าทายหลักประการหนึ่งในการตีความข้อมูลของ Collider คือการแยกความแตกต่างของอนุภาคที่เกิดจากการชนกัน (ที่ตามหา) จากสิ่งที่เกิดจากการชนกัน ส่วนหลังนี้เรียกว่ากองขึ้น ส่วนใหญ่ประกอบด้วยดอกโบตั๋น

ที่เป็นจุดรอบ ๆ เครื่องตรวจจับ และทำให้ยากที่จะระบุการมีอยู่ของอนุภาคใหม่ ๆการทับถมจะกลายเป็นปัญหาเฉพาะในอีกไม่กี่ปีข้างหน้า เนื่องจากอัตราการชนกันของ LHC จะเพิ่มสูงขึ้น ตั้งแต่ปี 2027 LHC ความส่องสว่างสูงกำหนดให้สร้างเหตุการณ์ซ้อนขึ้นประมาณ 200 เหตุการณ์ต่อการชนกันของพวง 

ซึ่งมากกว่าเมื่อ 5 ปีที่แล้วโดยประมาณย้อนรอยนักฟิสิกส์ได้คิดค้นวิธีต่างๆ มากมายเพื่อมุ่งความสนใจไปที่การชนที่น่าสนใจ วิธีง่ายๆ วิธีหนึ่งคือพิจารณารอยทางที่อนุภาคมีประจุทิ้งไว้ขณะเคลื่อนที่ผ่านเครื่องตรวจจับ และเก็บเฉพาะเหตุการณ์ที่มีรอยทางที่ย้อนไปถึงการชนแบบประจันหน้า ซึ่งเกิดจาก

สิ่งที่เรียกว่าจุดยอดหลักทางเลือกที่ซับซ้อนกว่าที่เรียกว่า PUPPI ทำได้เช่นเดียวกับการกรองผ่านอนุภาคที่เป็นกลางซึ่งผลิตขึ้น โดยสร้างที่มาของอนุภาคที่มีประจุรอบๆ อนุภาคที่เป็นกลางแต่ละอนุภาค จากนั้นจึงคำนวณความน่าจะเป็นที่อนุภาคหลังจะกำเนิดที่จุดยอดปฐมภูมิเนื่องจากความสัมพันธ์

กับอนุภาคเดิม

ในงานล่าสุด และเพื่อนร่วมงานได้มุ่งไปสู่จุดจบเดียวกันโดยใช้แมชชีนเลิร์นนิง อาศัยการคำนวณทีละขั้นตอนเพื่อระบุโดยตรงว่าอนุภาคบางชนิดมีต้นกำเนิดจากจุดยอดปฐมภูมิหรือไม่ อัลกอริทึมในกรณีนี้คือโครงข่ายประสาทเทียมขั้นสูงที่นักวิจัยเรียกว่า PUMA เรียนรู้ความสัมพันธ์ระหว่างคุณสมบัติของอนุภาค

และจุดกำเนิดการชนกันภายหลัง กำลังฝึกกับชุดข้อมูลที่ประกอบด้วยคู่อินพุต-เอาต์พุตหลายคู่ นี่ไม่ใช่เครือข่ายประสาทเทียมแห่งแรกที่คิดค้นขึ้นเพื่อพยายามจัดการกับปัญหาการหมักหมมที่ LHC ตัวอย่างเช่น ในปี 2560 ในสหรัฐอเมริกาและเพื่อนร่วมงานรายงานว่าได้ออกแบบเครือข่ายประสาทเทียม

ที่เรียกว่า เพื่อล้างข้อมูลเอาต์พุตจากตัวตรวจจับ ATLAS และ CMS ที่แสดงในรูปของภาพ ซึ่งก็คือความเข้มของแต่ละพิกเซล เป็นตัวแทนการกระจายพลังงานของอนุภาค ด้วยการสอนเครือข่ายให้เชื่อมโยงภาพของอนุภาคที่เป็นกลางทั้งหมดกับภาพที่สอดคล้องกันซึ่งแสดงเฉพาะอนุภาคที่เป็นกลาง

จากจุดยอดปฐมภูมิ พวกเขาพบว่าอัลกอริทึมสามารถสร้างภาพที่สะอาดขึ้นเมื่อป้อนข้อมูลที่มีสัญญาณรบกวนใหม่เข้าที่อินพุตอัลกอริทึมของหม้อแปลงอย่างไรก็ตาม จากข้อมูลของ Maier วิธีการนี้และวิธีการที่ใช้การเรียนรู้ด้วยเครื่องอื่นๆ อาศัยผลลัพธ์จาก PUPPI เป็นส่วนหนึ่งของการป้อนข้อมูล 

ในทางตรงกันข้าม PUMA ขจัดการกองพะเนินตามข้อมูลดิบของเครื่องตรวจจับ โดยใช้อัลกอริทึมที่เรียกว่าทรานส์ฟอร์เมอร์ ซึ่งออกแบบมาเพื่อแปลงวลีในภาษาหนึ่งไปเป็นวลีที่เทียบเท่ากันในอีกภาษาหนึ่ง มีวัตถุประสงค์ใหม่สำหรับฟิสิกส์ของอนุภาค โดยจะเปลี่ยนข้อมูลที่เป็นตัวแทนของชุดของอนุภาค

จากเหตุการณ์

การชนกันเป็นลำดับของตัวเลขระหว่าง 0 ถึง 1 ซึ่งเป็นความน่าจะเป็นที่แต่ละอนุภาคจะมาจากจุดยอดหลักในขณะที่เครื่องแปลภาษาอื่น ๆ มักจะเน้นเฉพาะที่เพื่อนบ้านที่ใกล้ที่สุดของคำเมื่อหาความหมายของชุดคำ  ยังคำนึงถึงความเชื่อมโยงระหว่างคำที่เว้นระยะห่างกัน พวกเขาทำได้

โดยการวิเคราะห์กระบวนการที่เรียกว่าการใส่ใจ ซึ่งเกี่ยวข้องกับการแสดงคำเป็นเวกเตอร์ของคุณสมบัติ การคูณเวกเตอร์นั้นด้วยเมทริกซ์บางตัว แล้วรวมผลลัพธ์ของการคำนวณเหล่านั้นกับค่าที่เทียบเท่าจากอนุภาคอื่นผ่านฟังก์ชันดอทโปรดักส์ทำเช่นเดียวกันโดยการเข้ารหัสแต่ละอนุภาคเป็นเวกเตอร์

ที่ประกอบด้วยพารามิเตอร์ต่างๆ เช่น ประเภทของอนุภาค พลังงาน และมุม จากนั้นจะใช้กระบวนการให้ความสนใจเพื่อสร้างเวกเตอร์ชุดใหม่ที่สะท้อนความสัมพันธ์ของอนุภาคแต่ละอนุภาคกับอนุภาคอื่นๆ และป้อนเวกเตอร์เหล่านี้เข้าสู่เครือข่ายประสาทอย่างง่ายที่กลั่นข้อมูลเป็นค่าตัวเลขหนึ่งค่าต่ออนุภาค 

ซึ่งก็คือความน่าจะเป็นของแหล่งกำเนิด ด้วยการฝึกอบรมเครือข่ายโดยใช้อินพุตเวกเตอร์ที่เชื่อมโยงกับความน่าจะเป็นแบบไบนารีที่รู้จัก ความแตกต่างระหว่างผลลัพธ์ที่คำนวณได้และผลลัพธ์ที่คาดไว้สามารถใช้เพื่อปรับแต่งเมทริกซ์ความสนใจซ้ำๆ เพื่อให้ในอนาคตอัลกอริทึมสามารถรับรู้ได้ว่าข้อมูลดิบใหม่

สอดคล้องกับอนุภาคจากหลักหรือไม่ จุดสุดยอดหรือจากการทับถมกันภาพรวมของเครื่องตรวจจับนักวิจัยฝึกฝนเครือข่ายของพวกเขาด้วย “สแน็ปช็อตเครื่องตรวจจับ” 200,000 ภาพ ซึ่งสร้างขึ้นโดยใช้การจำลอง CMS ที่ผลิตโดยโปรแกรมคอมพิวเตอร์ ภาพแต่ละภาพประกอบด้วยเศษซากของการชนกัน

ของโปรตอนหลัก 1 ครั้ง และการชนกันประมาณ 140 ครั้ง จำนวนนี้มีจำนวนประมาณ 5,000 อนุภาคต่อสแนปช็อต ดังนั้นจึงมีเวกเตอร์อินพุตหนึ่งพันล้านตัวและความน่าจะเป็นที่เกี่ยวข้องโดยรวม จากนั้นจึงใช้ข้อมูลจำลองเพิ่มเติมเพื่อเปรียบเทียบประสิทธิภาพของ PUMA กับอัลกอริทึมแบบคลาสสิก เช่น PUPPI โดยเฉพาะอย่างยิ่ง พวกเขามุ่งเน้นไปที่โมเมนตัมตามขวาง 

credit: coachwebsitelogin.com assistancedogsamerica.com blogsbymandy.com blogsdeescalada.com montblanc–pens.com getthehellawayfromsalliemae.com phtwitter.com shoporsellgold.com unastanzatuttaperte.com servingversusselling.com