Nell'esigente regno della fisica sperimentale, la tecnologia di apprendimento automatico (ML) sta aiutando i ricercatori ad analizzare serie di dati colossali ma scarsi.
Immaginate il compito di estrarre informazioni da un libro di mille pagine, ognuna delle quali contiene solo una riga di testo. La scansione di un libro del genere con uno scanner che legge metodicamente ogni pagina centimetro per centimetro sarebbe tremendamente laboriosa, con la maggior parte dello sforzo sprecato nella scansione degli spazi vuoti.
Lo stesso vale per i fisici sperimentali, in particolare per la fisica delle particelle. In questo caso, i rivelatori registrano e analizzano una quantità spropositata di dati, nonostante solo una minima percentuale sia utile.
Come descrive Kazuhiro Terao, fisico dello SLAC National Accelerator Laboratory, "in una fotografia, ad esempio di un uccello che vola nel cielo, ogni pixel può essere significativo", ma nelle immagini che i fisici spesso esaminano, solo una piccola parte è veramente importante. Questo esercizio ad alta intensità di lavoro spreca tempo e risorse di calcolo.
L'ML offre una soluzione sotto forma di reti neurali convoluzionali rade (SCNN).
Consentendo ai ricercatori di concentrarsi sulle parti significative dei dati e di filtrare il resto, le SCNN accelerano l'analisi dei dati in tempo reale.
Nel 2012, Benjamin Graham, all'epoca all'Università di Warwick, ha cercato di creare una rete neurale per riconoscere la scrittura cinese. Ha adattato le reti neurali convoluzionali (CNN), una forma di rete neurale di riferimento, per renderle più adatte a dati considerati "radi", come l'immagine di un carattere cinese.
Graham offre un'altra analogia per i dati scarsi: se la Torre Eiffel fosse racchiusa nel più piccolo rettangolo possibile, quel rettangolo sarebbe "composto per il 99,98% di aria e per appena lo 0,02% di ferro".
Se ci si preoccupa solo del metallo, si analizza un'enorme quantità di spazio inutile.
L'avvento delle SCNN
Dopo aver creato un sistema in grado di riconoscere efficacemente il cinese scritto a mano, Graham è passato a una sfida più grande: il riconoscimento di oggetti 3D.
Ha affinato la sua tecnica e ha pubblicato i dettagli della prima SCNN nel 2017 mentre lavorava alla ricerca sull'intelligenza artificiale di Facebook.
Terao ha presentato questo concetto di fisica delle particelle presso il Fermi National Accelerator Laboratory, che studia i neutrini (le particelle con massa più elusive e abbondanti dell'universo).
Terao ha riconosciuto che le SCNN potrebbero ottimizzare l'analisi dei dati per il Deep Underground Neutrino Experiment (DUNE), dove ha notato che le SCNN hanno elaborato i dati in modo più rapido ed efficiente rispetto ai metodi tradizionali.
Guardando oltre la ricerca sui neutrini, il fisico Philip Harris del Massachusetts Institute of Technology intende applicare le SCNN al Large Hadron Collider (LHC) del CERN.
Harris spera che le SCNN possano accelerare l'analisi dei dati a LHC di almeno un fattore 50, contribuendo a scoprire particelle di particolare interesse.
