Jak skutecznie nauczyć największą maszynę na świecie? Inżynierowie Wydziału Elektroniki i Technik Informacyjnych Politechniki Warszawskiej szkolą ALICE – jedno z olbrzymich urządzeń pracujących w CERN.
Największe urządzenie badawcze na świecie, Wielki Zderzacz Hadronów (Large Hadron Collider, LHC), w jednej chwili dostarcza miliony informacji. Tylko jeden eksperyment ALICE (A Large Ion Collider Experiment – Wielki Eksperyment Zderzacza Jonów), szukający kluczowych odpowiedzi w kwestii cząstek dziwnych, wytwarza w każdej sekundzie ponad 3 Terabajty danych pomiarowych. Jak wśród nich znaleźć przypadki nadające się do dalszej analizy, które nie poddają się dotychczas znanym prawom fizyki?
Chcemy szybciej poznać tajemnice Wszechświata? Musimy nauczyć maszyny pomagać fizykom, aby nie ugrzęźli w nieskończonej ilości danych. Wykorzystując opracowane przez nas algorytmy, sprawimy, że ALICE będzie zwracać uwagę tylko na interesujące naukowców przypadki. Są to przypadki, które powodują rozdźwięk pomiędzy obserwacjami a znanymi modelami teoretycznymi. Aby je wskazać musimy jednak znać rezultaty uzyskiwane przez modele teoretyczne, a ich symulowanie wymaga aktualnie ogromnych mocy obliczeniowych – tłumaczy prof. Tomasz Trzciński, kierujący pracami zespołu ds. uczenia maszynowego w Instytucie Informatyki WEiTI PW.
Prace wykonane przez jego zespół, choć w głównej mierze skupiały się na detekcji anomalii podczas zachodzących zderzeń, to również automatyzują proces identyfikacji typu cząstek i analizy jakości danych. Do opracowania nowych metod uczenia maszynowego wykorzystano sztuczne sieci neuronowe oraz klasyczne metody takie jak: maszyny wektorów nośnych czy lasy losowe. Uzyskane rezultaty wskazały, że 3/4 wszystkich zdarzeń maszyna może sama przeanalizować, uzyskując precyzję wyników na poziomie większym niż 95%.
Naukowcy Wydziału Elektroniki i Technik Informacyjnych oraz Wydziału Fizyki zaprojektowali również na potrzeby CERN metody szybszej symulacji zderzeń, niezbędnych do analiz fizycznych jak również do kontroli jakości danych i poprawnego ustawienia detektorów. Dotychczas stosowane rozwiązania mogą być skutecznie zastąpione przez modele generatywne, implementowane m.in. przez doktorantów Kamila Deję oraz Jana Dubińskiego przy użyciu sztucznej sieci neuronowej, a więc jednej z najpopularniejszych metod wykorzystywanej w uczeniu maszynowym.
Oprócz rozwiązań opracowanych z myślą o zwiększeniu efektywności wykonywania codziennych zadań techników i naukowców pracujących przy Wielkim Zderzaczu Hadronów, nasze propozycje dotyczą również popularyzacji otrzymywanych wyników. Nowe sposoby wizualizacji danych, oparte o technologie Virtual Reality (VR), wykorzystywane są już podczas zajęć z uczniami z całego świata w ramach CERN Physic Master Class. Za tymi pracami stoi zespół wywodzący się z Zakładu Grafiki Komputerowej Instytutu, kierowany przez prof. Przemysława Rokitę, inicjatora współpracy Instytutu Informatyki z CERN i wieloletniego członka ALICE – dodaje prof. Jarosław Arabas, dyrektor Instytutu Informatyki WEiTI PW.
Wykonane działania finansowane były i są w ramach projektów Narodowego Centrum Nauki pt.: „Opracowanie metod uczenia maszynowego do monitorowania jakości danych o dużej objętości oraz interaktywnych metod ich wizualizacji na przykładzie eksperymentu ALICE na Wielkim Zderzaczu Hadronów w CERN” (kierownik: prof. Tomasz Trzciński), „Rozwój modeli generatywnych do szybkich symulacji w ALICE CERN” (kierownik: prof. Przemysław Rokita) oraz „Głębokie generatywne spojrzenie na uczenie ciągłe” (kierownik: prof. T. Trzciński). Środki te pozwoliły nie tylko na ulepszenie systemu informatycznego CERN, ale również przyczyniły się do rozwoju informatyki jako całej dyscypliny naukowej w Polsce i na świecie.
Szkoląc ALICE szybszego liczenia nauczyliśmy się od niej równie sporo. Doświadczenia zdobyte na największej maszynie świata są dla nas bezcenne. Wykorzystamy je w dalszym rozwoju informatyki, flagowego dla naszego wydziału kierunku. Sztuczna inteligencja, uczenie maszynowe czy systemy przetwarzania danych to dziedziny, w których chcemy się specjalizować – podkreśla prof. Michał Malinowski, dziekan WEiTI PW.
MK