É inegável que a IA e o aprendizado de máquina vem fazendo cada vez mais parte de nossas vidas, e algoritmos machine learning estão em toda parte. Por exemplo, é como aplicativos de streaming sugerem o que ouvir a seguir ou como assistentes virtuais respondem às suas perguntas. Entretanto, antes disso, esses algoritmos já eram utilizados para fazer ciência, e tem sido cada vez mais utilizados na física, especialmente na física de partículas, desde cálculos teóricos até análise de dados.
Física de Partículas e o uso de IA
A física de partículas é o ramo da física que estuda os constituintes fundamentais da matéria e as interações entre eles. Ela investiga as partículas subatômicas, utilizando aceleradores de partículas e detectores sofisticados. O principal centro de pesquisas e maior acelerador de partículas do mundo, o Grande Colisor de Hádrons (LHC), fica localizado próximo à cidade de Genebra, na fronteira entre a Suiça e a França, e é administrado pelo CERN, a Organização Europeia para Pesquisa Nuclear, do qual o Brasil se tornou um membro associado recentemente. Agora, uma equipe que inclui pesquisadores do CERN e do Google criou um novo método para acelerar redes neurais profundas – uma forma de algoritmos de aprendizado de máquina – para selecionar colisões próton-próton no LHC para análise posterior. A técnica, descrita num artigo publicado recentemente na Nature Machine Intelligence, também poderia ser usada além da física de partículas.
Os detectores de partículas ao redor do LHC usam um sistema de “gatilho” (ou triggers) de hardware eletrônico para selecionar colisões de partículas potencialmente interessantes para análise posterior. A taxa atual de colisões próton-próton no LHC é de até 1 bilhão de colisões por segundo (!), porém esse número de colisões irá aumentar significamente com as atualizações previstas para o colisor e, com isso, a decisão entre guardar ou descartar um evento precisará ser aprimorada. Para isso, os investigadores estão desenvolvendo um software alternativo, incluindo algoritmos de aprendizagem de máquina, que poderia tornar esta escolha mais rápida. “A técnica se resume a comprimir a rede neural profunda, reduzindo a precisão numérica dos parâmetros que a descrevem”, afirma o coautor do estudo e pesquisador do CERN, Vladimir Loncar. “Isso é feito durante o treinamento, ou aprendizado, da rede, permitindo que a rede se adapte à mudança.
Dessa forma, você pode reduzir o tamanho da rede e o tempo de processamento, sem perda de desempenho da rede.” Olhando para o futuro, os investigadores querem usar a sua técnica para conceber um novo tipo de sistema de triggers para detectar colisões que normalmente seriam descartadas por um sistema de disparo convencional, mas que poderia esconder novos fenômenos.
Por quê aplicar IA na Física?
Um dos principais objetivos dos experimentos do CERN é procurar sinais de novas partículas, o que ajudaria a explicar muitos dos mistérios pendentes do cosmos. Quando os prótons de alta energia do LHC colidem dentro do detectores, sua energia pode ser brevemente convertida em partículas ainda não descobertas, que normalmente decaem rapidamente de volta à matéria conhecida. Como tais partículas são produzidas muito raramente, são necessárias técnicas avançadas para procurá-las. Um grande esforço é gasto pelos pesquisadores do CERN em análises estatísticas sofisticadas para procurar sinais de diferentes partículas hipotéticas.
No entanto, como os dados são tão vastos e complexos e as novas partículas são tão raras, essas análises geralmente devem ser concebidas para procurar um tipo específico de nova partícula de cada vez. Mas e se não estivermos vendo novas partículas porque não pensamos nas partículas certas para procurar? Poderia uma pesquisa liderada por IA ajudar-nos a encontrar novas partículas que muitos esforços liderados por humanos não perceberam? Esta foi uma das abordagens adotadas numa pesquisa recente de cientistas do CERN. Eles selecionaram colisões com uma assinatura extremamente comum, dois “jatos” colimados de partículas, e então deixaram os algoritmos de IA assumirem o controle.
Funcionamento da IA na Física Quântica
Os algoritmos de IA escolheram as colisões cujos jatos pareciam mais “anômalos” em comparação com os normais e, em seguida, foi realizada uma análise estatística automatizada para ver se esses jatos anômalos eram realmente evidências de novas partículas. Usando dados reais de colisão, os físicos estão treinando sua IA para reconhecer as características de jatos originados de partículas conhecidas.
Outro método envolve instruir o algoritmo de IA para considerar todo o evento de colisão e procurar características anômalas nas diferentes partículas detectadas. Estas características anômalas podem indicar a presença de novas partículas. Essa técnica foi demonstrada em um artigo recente, que apresentou um dos primeiros usos de aprendizado de máquina não supervisionado em um resultado do LHC. Eles também conseguiram mostrar que os algoritmos liderados por IA melhoraram significativamente a sensibilidade a uma ampla gama de assinaturas de partículas em comparação com as técnicas tradicionais.
Conclusão – IA na Física
Esses resultados mostram como o uso de IA está revolucionando a busca por uma nova física. Existem ainda diversas novas abordagens sendo testadas nesse exato momento, e o avanço à passos largos de sistemas que utilizam machine learning, tanto na indústria quanto na academia, vêm com a promessa de aumentar ainda mais o nosso entendimento da natureza e do cosmos.
Referências:
https://home.cern/news/news/physics/how-can-ai-help-physicists-search-new-particles
https://home.cern/news/news/physics/speeding-machine-learning-particle-physics
https://cms.cern/news/can-ai-find-new-particles-its-own
Quem é a Aquarela Analytics?
A Aquarela Analytics é vencedora do Prêmio CNI de Inovação e referência nacional na aplicação de Inteligência Artificial Corporativa na indústria e em grandes empresas. Por meio da plataforma Vorteris, da metodologia DCM e o Canvas Analítico (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania, Mercedes-Benz, Grupo Randon (automotivo), SolarBR Coca-Cola (varejo alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Auren, SPIC Brasil (energia), Telefônica Vivo (telecomunicações), dentre outros.
Acompanhe os novos conteúdos da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal!
Cientista de Dados na Aquarela. Graduado em Física Licenciatura pela Universidade Federal de Uberlândia (2017). Atuou como professor de Matemática e Física na rede pública de educação básica. Possui Mestrado em Física Teórica pela Universidade Federal do Rio Grande do Sul (2020) e é Doutorando pela mesma instituição. Tem experiência na área de Física de Partículas e Cosmologia com interesse na modelagem teórica e busca experimental da matéria escura.