El aprendizaje automático se usa en física tal como se usa en otro campo de la ciencia o en la industria, es decir, cuando se trata de problemas complejos y / o una gran cantidad de datos, tener computadoras que compartan la parte del pensamiento duro con usted ayuda mucho, sin importar lo que pase. usted está trabajando
Tomaré como ejemplo los experimentos del Gran Colisionador de Hadrones (LHC) en el CERN, mientras amplío las respuestas anteriores. El LHC colisiona protones o iones en varios lugares alrededor del colisionador circular, y cada colisión se registra a través de experimentos dedicados del tamaño de un edificio de varias historias. Estos experimentos son tan complejos que un día de grabación equivale a decenas de PetaBytes (o equivalente, decenas de miles de PetaBytes por año). El registro de esta cantidad de datos está más allá de la capacidad de cualquier organización grande (de investigación o industria). Un primer paso es filtrar todos estos datos; aquí debe ser muy rápido para que el aprendizaje automático aún no sea muy complicado, aunque ciertamente lo será en un futuro muy cercano.
El aprendizaje automático es muy útil cuando quiere comprender lo que sucedió en cada colisión: lo que ve es una gran cantidad de “golpes”: lugares en el detector donde las partículas que quedan dejan una señal grabable. Primero debe dar sentido a esos golpes para “ver” las partículas que se produjeron en una colisión. Este es un problema típico de regresión de aprendizaje automático.
Después de comprender toda la colisión que dio lugar a una multitud de partículas que atraviesan su detector, debe comprender si lo que está viendo se debe al proceso de física particular que estaba buscando para comenzar: la producción de un Higgs bosón? ¿O un par de quarks superiores? ¿O mini agujeros negros? De hecho, las colisiones que le interesan ocurren tan raramente que incluso el proceso físico más cotidiano imita su “señal”. Las simulaciones se utilizan para comprender cómo se vería su señal interesante en el experimento. Luego, las técnicas de aprendizaje automático se utilizan para clasificar las colisiones reales como interesantes o poco interesantes.
Los algoritmos de aprendizaje automático (los más utilizados en el CERN son árboles de decisión potenciados y redes neuronales) superan a los físicos en estas tareas de regresión o clasificación en un 20-30%. Hoy en día, la mayoría de los estudios de física utilizan el aprendizaje automático tanto para reconstruir las colisiones reales como para interpretarlas, aprovechando de manera efectiva las técnicas de aprendizaje automático secuencial para superar el 50% del rendimiento sobre el rendimiento humano (¡físicos trabajadores!).