Datorer kan slå schackmästare, simulera stjärnexplosioner, och förutse det globala klimatet. Vi lär dem till och med vara ofelbara problemlösare och snabba elever.

Och nu, fysiker vid Department of Energy Lawrence Berkeley National Laboratory (Berkeley Lab) och deras medarbetare har visat att datorer är redo att ta itu med universums största mysterier. Teamet matade tusentals bilder från simulerade hög-energi partikelkollisioner för att träna datornät för att identifiera viktiga funktioner.

Forskarna programmerade kraftfulla matriser som kallas neurala nätverk för att fungera som ett slags levande digital hjärna för att analysera och tolka bilderna av det simulerade partikelskrotet från kollisionerna. Under denna testkörning fann forskarna att de neurala nätverken hade upp till 95 procents framgångshastighet för att känna igen viktiga funktioner i ett urval på cirka 18, 000 bilder.

Studien publicerades den 15 januari i tidskriften Naturkommunikation .

Nästa steg blir att tillämpa samma maskininlärningsprocess på faktiska experimentella data.

Kraftfulla maskininlärningsalgoritmer gör att dessa nätverk kan förbättras i sin analys när de bearbetar fler bilder. Den underliggande tekniken används i ansiktsigenkänning och andra typer av bildbaserade objektigenkänningsprogram.

Bilderna som används i denna studie - relevanta för partikel -kolliderande kärnfysiska experiment vid Brookhaven National Laboratory's Relativistic Heavy Ion Collider och CERN's Large Hadron Collider - återskapar villkoren för en subatomär partikel "soppa, "som är ett superhot flytande tillstånd som kallas kvark-gluonplasma som tros existera bara miljoner dundersekunder efter universums födelse. Berkeley Lab-fysiker deltar i experiment på båda dessa platser.

"Vi försöker lära oss om de viktigaste egenskaperna hos kvark-gluonplasma, "sa Xin-Nian Wang, en kärnfysiker i Nuclear Science Division på Berkeley Lab som är medlem i teamet. Några av dessa egenskaper är så kortlivade och förekommer i så små skalor att de förblir höljda av mystik.

I experiment, kärnfysiker använder partikelkolliderare för att krossa ihop tunga kärnor, som guld- eller blyatomer som är avskalade från elektroner. Dessa kollisioner antas frigöra partiklar inuti atomernas kärnor, bildar en flyktig, eldkula i subatomär skala som bryter ner till och med protoner och neutroner till en fritt flytande form av deras typiskt bundna byggstenar:kvarker och gluoner.

Forskare hoppas att genom att lära sig de exakta förhållandena under vilka denna kvark-gluonplasma bildas, till exempel hur mycket energi som packas in, och dess temperatur och tryck när det övergår till ett flytande tillstånd, de kommer att få ny insikt om dess beståndsdelar av materia och deras egenskaper, och om universums formationsstadier.

Men krävande mätningar av dessa egenskaper - den så kallade "statens ekvation" som involveras när materia förändras från en fas till en annan i dessa kollisioner - har visat sig vara utmanande. De inledande förhållandena i experimenten kan påverka resultatet, så det är utmanande att extrahera statliga ekvationer som är oberoende av dessa förhållanden.

"I kärnfysikgemenskapen, den heliga gralen är att se fasövergångar i dessa interaktioner med hög energi, och bestäm sedan statens ekvation från experimentella data, "Sade Wang." Detta är den viktigaste egenskapen för kvark-gluonplasma som vi ännu inte har lärt oss av experiment. "

Forskare söker också insikt om de grundläggande krafter som styr samspelet mellan kvarker och gluoner, vad fysiker kallar kvantkromodynamik.

Long-Gang Pang, huvudförfattare till den senaste studien och en Berkeley Lab-ansluten postdoktoral forskare vid UC Berkeley, sa att 2016, medan han var postdoktor vid Frankfurt Institute for Advanced Studies, han blev intresserad av potentialen för artificiell intelligens (AI) för att lösa utmanande vetenskapsproblem.

Han såg att en form av AI, känd som ett djupt konvolutionellt neuralt nätverk - med arkitektur inspirerad av bildhanteringsprocesserna i djurhjärnor - tycktes passa bra för att analysera vetenskapsrelaterade bilder.

"Dessa nätverk kan känna igen mönster och utvärdera styrelsens positioner och utvalda rörelser i spelet Go, "Sa Pang." Vi tänkte, 'Om vi ​​har visuella vetenskapliga data, kanske kan vi få ett abstrakt begrepp eller värdefull fysisk information från detta. '"

Wang tillade, "Med denna typ av maskininlärning, vi försöker identifiera ett visst mönster eller en korrelation av mönster som är en unik signatur på statens ekvation. "Så efter träning, nätverket kan på egen hand identifiera delar av och korrelationer i en bild, om det finns några, som är mest relevanta för det problem forskare försöker lösa.

Ackumulering av data som behövs för analysen kan vara mycket beräknande intensiv, Pang sa, och i vissa fall tog det ungefär en hel dags datortid att skapa bara en bild. När forskare använde en mängd GPU:er som arbetar parallellt - GPU:er är grafikbehandlingsenheter som först skapades för att förbättra videospeleffekter och som sedan har exploderat till en mängd olika användningsområden - de minskade den tiden till cirka 20 minuter per bild.

De använde datorresurser vid Berkeley Labs National Energy Research Scientific Computing Center (NERSC) i sin studie, med det mesta av datorarbetet inriktat på GPU -kluster vid GSI i Tyskland och Central China Normal University i Kina.

En fördel med att använda sofistikerade neurala nätverk, forskarna noterade, är att de kan identifiera funktioner som inte ens eftersöktes i det första experimentet, som att hitta en nål i en höstack när du inte ens letade efter den. Och de kan extrahera användbara detaljer även från suddiga bilder.

"Även om du har låg upplösning, du kan fortfarande få viktig information, "Sa Pang.

Diskussioner pågår redan för att tillämpa maskininlärningsverktygen på data från verkliga tungjonskollisionsexperiment, och de simulerade resultaten bör vara till hjälp vid träning av neurala nätverk för att tolka verkliga data.

"Det kommer att finnas många tillämpningar för detta inom partikelfysik med hög energi, "Sa Wang, bortom partikel-kolliderande experiment.