Los métodos de aprendizaje automático se utilizan para medir las propiedades físicas de las partículas y buscar nuevas partículas. Se utilizan para separar las colisiones de haz de interés (‘señal’) de las no deseadas (‘fondo’). Los árboles de decisión potenciados se han vuelto muy populares por hacerlo en los últimos años.
Para la mayoría de los fenómenos físicos a alta energía existe una teoría subyacente (una de las teorías de campo cuántico), es decir, se pueden calcular cantidades medibles con buena precisión a partir de los primeros principios, no es necesario utilizar el aprendizaje automático allí.
La interacción de los productos de descomposición de las partículas producidas en colisiones con los elementos detectores se modela típicamente mediante una mezcla de modelos basados en las leyes de la física y la interpolación de las tasas de interacción medidas de partículas con elementos detectores, por lo que tampoco hay IA / aprendizaje automático aquí.
- ¿Cuáles son algunas de las cosas más sorprendentes que pueden hacer las redes neuronales?
- ¿Cuál es el Go AI de código abierto más fuerte?
- ¿Alguien ha planteado la idea de que no hay nada más pequeño que un sistema?
- ¿Conoces el aprendizaje automático?
- ¿Qué significa ser 'inteligente' después de que la IA se haya integrado en el cerebro humano?
Los árboles de decisión potenciados mencionados anteriormente generalmente se usan para aprender la combinación de los fenómenos físicos a alta energía y la interacción de los productos de descomposición (de menor energía) con el detector. Esta cadena completa suele ser tan compleja que no hay un modelo a priori para ella.
Se ha propuesto que las redes neuronales profundas se utilicen para distinguir los eventos de ‘señal’ del ‘fondo’ (para hacer lo que hacen los árboles de decisión potenciados mencionados anteriormente). Al buscar partículas exóticas en física de alta energía con aprendizaje profundo, se vio que, en algunos casos, una red profunda puede eliminar la necesidad de ingeniería manual de características.
El aprendizaje automático también se utiliza a nivel de identificación de partículas individuales (productos de descomposición) dentro de una colisión (en lugar de clasificar una colisión completa). Recientemente, las personas han comenzado a utilizar redes convolucionales profundas para identificar quarks y gluones en las desintegraciones de partículas producidas en colisiones de haces (ver, por ejemplo, Jet-Images – Deep Learning Edition).
Las redes neuronales también se utilizan para parametrizar la distribución de las energías de los constituyentes del protón (quarks y gluones) por la colaboración NNPDF (véase, por ejemplo, la configuración de redes neuronales de la función de estructura inelástica profunda).
