[입자물리학] 어려운 과학을 뒤흔드는 기계 학습...그래프 신경망 들어봤나? VIDEO: Machine Learning Shaking Up Hard Sciences, Too
Construction, Science, IT, Energy and all other issues
Search for useful information through the top search bar on blog!
건설,과학,IT, 에너지 외 국내외 실시간 종합 관심 이슈 발행
[10만이 넘는 풍부한 데이터베이스]
블로그 맨 위 상단 검색창 통해 유용한 정보를 검색해 보세요!
입자물리학 Particle physics
입자물리학은 자연에 존재하는 기본 입자의 특성과 상호작용을 이해하고자 하는 물리학의 분야이다. 보다 정확한 표현인 소립자물리학이라 부르기도 하며, 너무나도 높은 에너지에서만 기본 입자들을 볼 수 있기 때문에 고에너지 물리학이라고도 부른다. 나무위키
보통 물질과 방사선 등 자연의 기본 입자를 연구하는 물리학의 분야 중 하나이다. 현재의 해석으로는 입자는 양자장을 가지고 있으며 역학에 따라 상호작용한다는 것이다. 위키백과
쿼크 quark
물질을 구성하고 있는 기본 단위이며, 2개의 쿼크가 하나의 단위를 구성하는 3개의 집단으로 분류된다. 업 쿼크(up quark)와 다운 쿼크(down quark)는 하나의 단위이며, 이들이 합쳐져서 양성자와 중성자를 형성하게 된다. 위키백과
[경과]
미 물리학회장에 오른 한국 아줌마...김영기 시카고대 석좌교수...그녀는 누구인가 VIDEO: Young-Kee Kim and Edward “Rocky” Kolb Receive Prize for Exceptional Service in PSD
https://conpaper.tistory.com/103522
어려운 과학을 뒤흔드는 기계 학습,
입자물리학자들의 그래프 신경망에 대해서도 들어봤나?
"기계 학습은 협력자"
입자 물리학자들은 발명가는 아니더라도 이메일에서 인터넷에 이르는 기술의 얼리 어답터(early adapter)로 오랫동안 활동한 지 오래다. 그렇다면, 1997년 초에 연구원들이 충돌 중에 생성된 지저분한 제트기의 입자들을 태그하기 위해 컴퓨터 모델을 훈련시키고 있었다는 것은 놀라운 일이 아니다. 그 이후로 이 모델들은 잘 팔려나가면서 점점 더 발전해가고 있다. 모두가 기뻐하는 것은 아니지만!
"나는 기계 학습으로 인해 매우 위협을 느꼈다,"라고 매사추세츠 공과대학의 이론 입자 물리학자 제시 탈러는 말한다. 처음에, 그는 입자 제트를 분류하는 인간의 전문 지식을 위태롭게 하는 것처럼 느꼈다고 말한다. 그러나 탈러는 이후 이를 수용하게 되어 입자 물리학 전반에 걸쳐 다양한 문제에 기계 학습(ML)을 적용하게 되었다. 그는 "기계 학습은 협력자"라고 말한다.
지난 10년 동안 광범위한 딥 러닝 혁명과 함께 입자 물리학자들은 이전에 다루기 어려운 문제를 해결하고 완전히 새로운 과제를 해결하기 위해 알고리듬을 훈련했다.
효율적인 트리거를 사용하더라도 LHC는 향후 몇 년 동안 600페타바이트의 데이터를 저장해야 합니다. 그래서 연구원들은 데이터를 압축하기 위한 전략을 조사하고 있다.
우선, 입자 물리학 데이터는 기계 학습에 사용되는 일반적인 데이터와 매우 다르다. 컨볼루션 신경망(CNN)은 나무에서 고양이, 음식까지 일상적인 물체의 이미지를 분류하는 데 매우 효과적이라는 것이 입증되었지만 입자 충돌에는 적합하지 않다. 샌디에이고 캘리포니아 대학의 입자 물리학자 하비에르 두아르테에 따르면, 문제는 대형 강입자 충돌기에서 나온 것과 같은 충돌 데이터가 자연적으로 이미지가 아니라는 것이다.
LHC에서의 충돌에 대한 화려한 묘사는 오해의 소지가 있는 전체 검출기를 채울 수 있다. 실제로, 수백만 개의 입력 중 몇 개의 검은 픽셀이 있는 흰색 화면처럼 신호를 등록하고 있다. 이 희박하게 채워진 데이터는 나쁜 이미지를 만들지만, 다른 새로운 프레임워크인 그래프 신경망(GNN)에서 잘 작동할 수 있다.
입자 물리학의 다른 도전들은 혁신을 필요로 한다. "우리는 손톱을 치기 위해 망치를 수입하는 것이 아니다,"라고 어바인 캘리포니아 대학의 입자 물리학자 다니엘 화이트슨은 말한다. "우리는 새로운 망치의 발명을 필요로 하는 새로운 종류의 이상한 못을 가지고 있다. 한 가지 이상한 점은 LHC에서 생성되는 데이터의 양이 초당 약 1페타바이트라는 것이다. 이 엄청난 양 중 고품질 데이터는 극히 일부만 저장된다. 더 나은 트리거 시스템을 만들기 위해, 좋은 데이터를 가능한 한 많이 저장하는 동시에 낮은 품질의 데이터를 없애기 위해, 연구원들은 하드 코딩된 알고리즘보다 더 잘 정렬할 수 있는 날카로운 눈 알고리즘을 훈련시키기를 원한다.
그러나 효과적으로 하기 위해서는 그러한 알고리즘이 마이크로초 안에 실행되는 믿을 수 없을 정도로 빨라야 한다고 Duarte는 말한다. 이러한 문제를 해결하기 위해 입자 물리학자들은 알고리즘을 훨씬 더 빠르게 만들기 위해 가지치기 및 양자화와 같은 기계 기술의 한계를 높이고 있다. 효율적인 트리거를 사용하더라도 LHC는 향후 몇 년 동안 데이터 수집(4K 해상도로 약 66만 편의 영화 또는 30개의 의회 도서관에 해당하는 데이터)에 걸쳐 600페타바이트를 저장해야 하기 때문에 연구자들은 데이터를 압축하기 위한 전략을 조사하고 있다.
"우리는 기계가 물리학자처럼 생각하는 법을 배우게 하고 싶지만, 우리는 단지 기계처럼 생각하는 법을 배울 필요가 있다."
—제시 탈러, MIT
황기철 콘페이퍼 에디터 국토부 인플루언서
Ki Chul Hwang Conpaper editor influencer
(Source:
spectrum.ieee.org/machine-learning-in-physics)
The Map of Particle Physics | The Standard Model Explained
