Crediti: Berkeley Lab
Che sia per aumentare la definizione di immagini astronomiche, o per identificare lenti gravitazionali all’interno di enormi moli di osservazioni, o ancora per scoprire pianeti extrasolari, le reti neurali rappresentano uno strumento di intelligenza artificiale sempre più indispensabile alla comprensione dell’universo.
L’ultimo esempio è riportato in un articolo, recentemente apparso sulla rivista Nature Communications a cura di un gruppo di scienziati appartenenti a istituzioni scientifiche tedesche, statunitensi e cinesi. Nel nuovo studio i ricercatori hanno dimostrato che si può istruire una rete neurale a identificare con grande precisione importanti caratteristiche presenti nelle tracce lasciate dalle particelle prodotte in un acceleratore.
Gli autori del nuovo studio hanno alimentato una rete neurale convoluzionale – il tipo di software ad autoapprendimento usato, ad esempio, per il riconoscimento facciale – con migliaia di immagini simulate di collisioni di particelle ad altissima energia. Dopo l’apprendimento, la rete neurale ha presentato un tasso di successo fino a 95 per cento nel riconoscere le caratteristiche importanti in un campione di circa 18mila immagini.
Le immagini utilizzate in questa ricerca – simili a quelle ottenibili in esperimenti di fisica nucleare condotti in acceleratori di particelle come il Relativistic Heavy Ion Collider del Brookhaven National Laboratory statunitense o l’europeo Large Hadron Collider al Cern di Ginevra – ricreano le condizioni di una “zuppa” di particelle subatomiche, uno stato fluido supercaldo conosciuto come plasma di quark e gluoni. Gli scienziati ritengono che, come una sorta di brodo ultra-primordiale, un tale stato sia esistito pochi milionesimi di secondo dopo la nascita dell’universo.
Il diagramma a sinistra delinea la distribuzione delle particelle in una collisione simulata di ioni pesanti ad alta energia. Migliaia di immagini come questa sono state utilizzate per addestrare una rete neurale a identificare caratteristiche importanti. A destra, una rete neurale ha creato questa “mappa di importanza”, dove i colori più chiari rappresentano aree che sono considerate più rilevanti per identificare l’equazione di stato per la materia di quark e gluoni creata nelle collisioni di particelle. Crediti: Berkeley Lab
Negli esperimenti, i fisici nucleari fanno scontrare nuclei di elementi pesanti, come oro o piombo, spogliati di elettroni. Queste collisioni fanno schizzare via protoni e neutroni impacchettati nel nucleo, i quali si rompono a loro volta, in una reazione a catena su minuscola scala, liberando i mattoncini di cui sono costituiti: quark e gluoni, per l’appunto.
Lo scopo di esperimenti del genere è conoscere le precise condizioni sotto cui si forma il plasma di quark e gluoni, quanta energia vi sia racchiusa, quali siano la sua temperatura e pressione quando avviene la transizione allo stato fluido. Tuttavia, misurare queste proprietà della materia, ovvero ricavarne l’equazione di stato, nel momento in cui avviene la transizione di fase si è rivelato assai complesso.
«Con il tipo di apprendimento automatico permesso dalle reti neurali, stiamo cercando di identificare un determinato schema che rappresenti una firma univoca dell’equazione di stato», commenta Long-Gang Pang del Lawrence Berkeley National Laboratory, primo autore del nuovo studio. «Così dopo essere stata istruita, la rete neurale può individuare solo le porzioni di un’immagine più rilevanti per il problema che gli scienziati stanno cercando di risolvere».
I ricercatori sperano di ricavare da questi esperimenti anche delle indicazioni sulle forze fondamentali che governano le interazioni tra quark e gluoni all’interno dei nuclei atomici.
Per saperne di più:
- Leggi su Nature Communication “An equation-of-state-meter of quantum chromodynamics transition from deep learning”, di Long-Gang Pang, Kai Zhou, Nan Su, Hannah Petersen, Horst Stöcker, Xin-Nian Wang