Machine Can Automatically Discover Parametric Functions to Model HEP Data
Questo articolo introduce SymbolFit, un pacchetto di machine learning che automatizza la scoperta di funzioni parametriche per la modellazione di dati di fisica delle alte energie attraverso la regressione simbolica, replicando con successo le funzioni degli spettri di dijet e ottenendo eccellenti adattamenti statistici senza fare affidamento sull'intuizione manuale.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immaginate di essere un detective che cerca di risolvere un mistero, ma gli indizi non sono impronte digitali o impronte di piedi; sono minuscoli, irregolari rilievi su un grafico. Questa è la vita quotidiana di un fisico che lavora nella Fisica delle Alte Energie (HEP), il campo in cui gli scienziati fanno scontrare particelle tra loro quasi alla velocità della luce per vedere di cosa è fatto l'universo. Quando queste particelle collidono, creano una caotica pioggia di detriti. Per dare un senso a questo caos, i fisici devono organizzare i detriti in "bin" (come smistare biglie per dimensione) e poi tracciare una linea fluida e curva attraverso i punti per rappresentare i dati. Questa linea è chiamata "funzione" e agisce come una mappa, aiutando gli scienziati a distinguere tra il comune rumore di fondo e qualcosa di veramente nuovo ed eccitante, come una particella nascosta.
Per decenni, tracciare questa mappa è stato un lavoro molto umano e molto frustrante. È come cercare di indovinare la forma di un oggetto segreto toccandolo attraverso una coperta spessa. Un fisico deve fare un tentativo azzardato su quale dovrebbe essere l'aspetto della curva, disegnarla, controllare se si adatta e, se non funziona, modificare il tentativo, disegnarla di nuovo e ripetere. Questo ciclo di "indovina e controlla" può durare una eternità, e la forma finale spesso sembra più un colpo di fortuna che una scoperta solida. Ma cosa succederebbe se una macchina potesse fare le ipotesi al posto tuo? Cosa succederebbe se un algoritmo potesse esplorare milioni di forme matematiche in pochi secondi per trovare la perfetta corrispondenza senza mai aver bisogno di sapere in anticipo quale sia la risposta? Questa è la grande domanda che questo articolo pone, e la risposta potrebbe cambiare per sempre il modo in cui i fisici svolgono il proprio lavoro.
La macchina che impara a disegnare curve
In questo studio, un team di ricercatori ha costruito un detective digitale chiamato SymbolFit per vedere se un computer potesse scoprire automaticamente le migliori formule matematiche per modellare i dati di collisione delle particelle. Invece di chiedere a un essere umano di indovinare la forma della curva, hanno lasciato che la macchina esplorasse una vasta "foresta" di possibili funzioni matematiche. Pensate a questo come a dare a un robot un sacchetto di mattoncini Lego (operatori matematici come più, meno, moltiplica, dividi ed esponenti) e chiedergli di costruire una struttura che si adatti perfettamente a un mucchio di punti dati sparsi. Il robot non sa quale debba essere l'aspetto dell'edificio finale; prova semplicemente milioni di combinazioni finché non ne trova una che si adatta perfettamente ai dati.
I ricercatori hanno testato questa macchina su dati reali provenienti da due enormi rilevatori di particelle, CMS e ATLAS, che stanno facendo scontrare protoni tra loro nel Large Hadron Collider. Nello specifico, hanno esaminato gli "spettri di dijet", ovvero grafici che mostrano quanto spesso coppie di jet di particelle appaiano a diversi livelli di energia. Questi grafici sono notoriamente difficili da modellare e, per anni, i fisici si sono affidati a due specifiche formule create a mano, note come "funzione di dijet" e "funzione UA2", per descriverli. Queste formule sono state scoperte dagli esseri umani attraverso anni di tentativi ed errori.
Il team ha allestito un esperimento con 560 sessioni indipendenti della loro macchina, utilizzando sette diverse configurazioni di ricerca (alcune che permettevano al robot di usare qualsiasi operazione matematica, altre che gli fornivano un modello specifico da seguire). Volevano vedere due cose: la macchina sarebbe stata in grado di riscoprire le famose formule create dagli umani in autonomia? E potrebbe trovare altre formule che funzionano altrettanto bene?
I risultati sono stati sorprendentemente positivi. In 111 delle 560 sessioni, la macchina ha "riscoperto" indipendentemente le stesse esatte formule che i fisici umani avevano impiegato anni a derivare. Ha trovato la funzione di dijet e la funzione UA2 guardando puramente i dati, senza sapere cosa cercare. Ma la parte più eccitante è questa: la macchina non si è limitata a copiare gli umani. Ha trovato oltre 1.000 diverse funzioni candidate che si adattano ai dati altrettanto bene delle famose formule umane. Infatti, le formule umane riscoperte sono solo una piccola frazione delle forme totali di successo trovate dalla macchina.
L'articolo dimostra che queste nuove funzioni scoperte dalla macchina non sono solo curiosità matematiche; sono robuste. I ricercatori hanno utilizzato un metodo chiamato modellazione dell'incertezza per garantire che ogni curva tracciata dalla macchina avesse un "margine di sicurezza" integrato (una misura di quanto la macchina sia fiduciosa nel proprio adattamento). Hanno scoperto che molte di queste nuove forme erano completamente diverse dalle vecchie: alcune utilizzavano diverse combinazioni di logaritmi ed esponenti, mentre altre usavano strutture interamente nuove, ma tutte descrivevano i dati delle particelle con un alto grado di accuratezza (un punteggio statistico chiamato /NDF 1).
Gli autori suggeriscono che questo approccio potrebbe sostituire il vecchio e laborioso metodo degli umani che indovinano e perfezionano le formule. Invece di un fisico che passa settimane a perfezionare una singola curva, una macchina potrebbe generare istantaneamente un'intera libreria di funzioni perfette, offrendo agli scienziati più opzioni e salvandoli dal ciclo di "indovina e controlla". Sebbene l'articolo non sostenga che questo sia un problema risolto per ogni singola domanda di fisica, suggerisce fortemente che, per la modellazione dei dati delle particelle, il futuro potrebbe appartenere alle macchine capaci di scoprire automaticamente la matematica che sta dietro al mistero.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.