Чтобы больше узнать о вселенной исследователи PNNL используют ИИ

Темная материя, богатая, но таинственная часть вселенной, постоянно ускользает из рук ученых. Хотя гравитационное притяжение сигнализирует о существовании темной материи, ее невидимые частицы остаются неопознанными. Ученые из PNNL в настоящее время привлекают технологию искусственного интеллекта к поиску, чтобы понять, могут ли компьютеры помочь людям просеять море экспериментальных данных по данной тематике.

Их модель, нейронная сеть, которая подражает человеческому мозгу, «узнает» о характеристиках различных субатомных частиц и может различать их. Цель состоит в том, чтобы точно определить случаи слабо взаимодействующих массивных частиц (WIMP), которые включены в короткий список кандидатов для объяснения темной материи.

Ученые из PNNL Том Граймс, Алекс Хаген и Крис Джексон возглавляют работу, которую PNNL финансирует за счет средств ради исследований и разработок под руководством лаборатории в рамках инвестиций в глубокое обучение для научных открытий Agile.

Первые попытки обнаружения темной материи

Модель глубокого обучения команды использовала данные совместной работы PICO, мульти институциональной попытки обнаружить прямые взаимодействия с темной материей в PICO-60 - пузырьковой камере, построенной глубоко под землей. PNNL принимал активное участие в разработке и эксплуатации этой камеры, привлекая к сотрудничеству ведущий мировой опыт в области низкофоновой радиохимии и инженерии.

Пузырьковая камера содержит перегретую жидкость, которая при разрушении радиоактивной частицей образует микроскопические пузырьки. Ученые собирают звуковые волны от этих событий и анализируют их на наличие признаков темной материи. Улавливание активности этих невидимых частиц ответило бы на фундаментальный вопрос о строении вселенной. «Восемьдесят пять процентов вселенной - это темная материя, и мы почти ничего не знаем об этом. И мы активно пытаемся понять, что же она из себя представляет».

Возможности ИИ в данной модели

Модель была способна различать три типа частиц - альфа, гамма и нейтроны - с точностью 93,5%, что ранее не было достигнуто с помощью других алгоритмов глубокого обучения. Взаимодействия альфа-частиц могут быть отфильтрованы как не WIMP-события с высокой степенью точности с помощью традиционных алгоритмов обработки сигналов. Однако, поскольку нейтронные и гамма частицы очень похожи на WIMP, они не могут быть различены такими алгоритмами.

Модель команды показала успех в разделении нейтронных и гамма следов, позволяя отделить их от частиц WIMP, которые, как ожидается, будут более нейтронподобными. Таким образом, вычисления и обнаружение работает намного точнее. Система могла бы помочь будущим экспериментам работать при более низких пороговых значениях и, следовательно, иметь чувствительность к темной материи меньшей массы.

После создания системы глубокого обучения не всегда понятно, как и почему она принимает определенные решения. Команда использовала относительно новый метод - локально интерпретируемые независимые от модели данные (LIME) - чтобы понять, как модель классифицирует частицы. Эта уникальная функция интерпретации может помочь усовершенствовать как алгоритмы, так и сами пузырьковые эксперименты, чтобы сосредоточиться на наиболее перспективных направлениях.

Запустив модель глубокого изучения данных из пузырьковой камеры PICO в SNOLAB в Канаде, команда теперь строит свою собственную пузырьковую камеру в PNNL, стремясь собрать больше данных, которые можно использовать для дальнейшего обучения модели и повышения ее возможности подтвердить существование темной материи.