i computer si fanno sempre più potenti e la tecnica dell’apprendimento automatico, che consiste nel fornire grosse moli di dati ad un programma affinché impari quasi “da solo” ad estrapolare le informazioni, si fa sempre più sopraffina grazie alla forza computazionale degli stessi computer sempre maggiore.
Un gruppo di fisici del Lawrence Berkeley National Laboratory ha provato a dare in pasto a potenti computer migliaia di immagini di collisioni simulate di particelle ad alta energia affinché identificassero da soli le caratteristiche importanti e dunque ne estrapolassero le informazioni.
Nello specifico sono stati utilizzati dati provenienti dal Relativistic Heavy Ion Collider del Brookhaven National Laboratory e del Large Hadron Collider del CERN relativi alla simulazione di una “zuppa”di particelle subatomiche, una sorta di fluido conosciuto anche come plasma di quark e gluoni.
I test realizzati con questa speciale forma di intelligenza artificiale, nota anche come rete neuronale convoluzionale profonda, hanno avuto un successo inaspettato: i ricercatori hanno infatti scoperto che queste reti neurali vantavano una percentuale di successo del 95% nella riconoscere le caratteristiche più importanti in seguito ad un campionamento di più di 18.000 immagini.
Il prossimo passo è dunque d’obbligo: gli stessi ricercatori proveranno a dare in pasto ai computer dati sperimentali reali e non più simulati.
Secondo Long-Gang Pang, l’autore principale dello studio, “Con questo tipo di apprendimento automatico, stiamo cercando di identificare un determinato modello o una correlazione di modelli che siano una firma unica dell’equazione di stato”.
Fonti e approfondimenti
- Applying Machine Learning to the Universe’s Mysteries (IA)
- An equation-of-state-meter of quantum chromodynamics transition from deep learning | Nature Communications (IA)
- DOI: 10.1038/s41467-017-02726-3
- Autori ricerca: Long-Gang Pang, Kai Zhou, Nan Su, Hannah Petersen, Horst Stöcker, Xin-Nian Wang
- Crediti immagine: Berkeley Lab
