Investigadores de ATLAS exploran fenómenos novedosos con detección de anomalías mediante aprendizaje automático no supervisado
ATLAS investigadores exploran fenómenos novedosos con detección de anomalías mediante aprendizaje automático no supervisado
Desde su inicio en 2009, el Gran Colisionador de Hadrones (LHC) ha sido una herramienta pionera para la exploración científica, buscando descubrir partículas y fenómenos que se extienden más allá de los límites del Modelo Estándar. Sin embargo, los métodos tradicionales de búsqueda de nueva física implican simulaciones informáticas complejas para relacionar los datos de colisiones observados con las predicciones del Modelo Estándar y otros modelos teóricos. Estos métodos están limitados por su dependencia de modelos y simulaciones predefinidos, pudiendo pasar por alto fenómenos inesperados que no se ajustan a estos modelos. Para abordar esta limitación, los investigadores han recurrido al aprendizaje automático no supervisado para detectar anomalías en los datos de colisión que podrían indicar nuevos fenómenos de física.
Actualmente, la búsqueda de nueva física implica simulaciones que emulan el comportamiento de las partículas conocidas según modelos establecidos. Comparar datos precisos de colisiones con estas simulaciones ayuda a identificar desviaciones que podrían indicar nuevos fenómenos. Otro enfoque busca variaciones ligeras en el fondo del Modelo Estándar, que son indicativas de procesos novedosos. Sin embargo, estos métodos están limitados por las suposiciones inherentes a los modelos probados.
Una nueva investigación de ATLAS ha propuesto un nuevo marco para analizar los datos de colisiones del LHC. Este marco aprovecha técnicas de aprendizaje automático no supervisado, específicamente una red neuronal compleja conocida como autoencoder. A diferencia de los métodos existentes, este enfoque no depende de modelos preconcebidos y está libre de expectativas preestablecidas.
- Zona de aterrizaje ligera de IA generativa de Azure
- Top 18 Ideas de Proyectos de Power BI para Practicar en 2023
- 15+ Herramientas de IA para Desarrolladores (Septiembre 2023)
El marco introducido implica entrenar una red neuronal compleja con datos reales de colisiones del LHC. Esta red, compuesta por numerosos “neuronas” interconectadas, se conoce como autoencoder. El proceso de entrenamiento implica comprimir los datos de entrada y posteriormente descomprimirlos mientras se compara la entrada inicial con la salida. A través de esta comparación, el autoencoder puede identificar eventos de colisión “típicos” y filtrarlos, dejando eventos que se desvían de la norma, denominados “anomalías”. Las anomalías indican instancias en las que la red neuronal tiene dificultades para identificar patrones, lo que sugiere la posibilidad de nuevos fenómenos de física. Para evaluar estas anomalías, los investigadores analizan las masas invariantes de las partículas en las colisiones y evalúan si se pueden atribuir a procesos del Modelo Estándar.
El éxito de este enfoque se puede medir identificando y caracterizando eventos anómalos. Las anomalías detectadas por el autoencoder se analizan en busca de una posible conexión con nuevos fenómenos de física. Cuanto mayor sea la diferencia en la reconstrucción entre los datos de entrada y salida, mayor será la probabilidad de que el evento esté asociado a nueva física más allá del Modelo Estándar.
En conclusión, los métodos convencionales de búsqueda de nueva física en el LHC, aunque efectivos, están limitados por la dependencia de modelos y simulaciones predefinidos. El nuevo enfoque propuesto por los investigadores introduce el aprendizaje automático no supervisado a través de los autoencoders, lo que permite un análisis sin modelos predefinidos de los datos de colisión. Este marco tiene el potencial de revelar fenómenos inesperados que escapan a los métodos convencionales. Al centrarse en las anomalías detectadas por el autoencoder, los científicos pueden desentrañar los misterios de las partículas e interacciones más allá de nuestra comprensión actual del universo.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Análisis en profundidad de la confiabilidad en los modelos GPT
- Una visión general del álgebra lineal desde una perspectiva global los fundamentos
- Investigadores de ETH Zurich presentan GoT (Graph of Thoughts) un marco de aprendizaje automático que mejora las capacidades de sugestión en modelos de lenguaje grandes (LLMs).
- 10 Mejores Generadores de Avatares de IA en 2023
- Descenso más pronunciado y Método de Newton en Python, desde cero una comparación
- De lo crudo a lo refinado Un recorrido por la preprocesamiento de datos – Parte 3 Datos duplicados
- Presentamos LegalBench un punto de referencia de IA de código abierto construido de manera colaborativa para evaluar el razonamiento legal en modelos de lenguaje grandes en inglés.