Auf der Spur des Quark-Gluon-Plasmas

  • 23. January 2018

Neuronale Netzwerke gewinnen Informationen aus der Datenflut von Schwerionenkollisionen.

Deep Learning ist eine Methode des Maschinen­lernens, bei der Computer­modelle eigenständig mit Beispielen lernen. Wie Wissen­schaftler der Goethe-Universität und des Frankfurt Institute for Advanced Studies FIAS nun zeigen konnten, lässt sie sich verwenden, um Daten aus Schwerionen­kollisionen zu klassi­fizieren. Ihr Ziel ist es, die Verän­derungen in der Teilchen­materie direkt aus den experi­mentellen Daten zu bestimmen und damit künftig mehr über die Zustände im frühen Universum und in Neutronen­sternkolli­sionen zu erfahren.

Abb.: Aus der Datenflut von Schwerionenkollisionen sollen neuronale Netzwerke Informationen ziehen. (Bild: FIAS)

Abb.: Aus der Datenflut von Schwerionenkollisionen sollen neuronale Netzwerke Informationen ziehen. (Bild: FIAS)

„Im Frühjahr 2016 gewann Googles AlphaGo Computer mittels künst­licher Intelligenz gegen einen Profi-Spieler des Strategie­spiels Go. Das hat uns so sehr begeistert, dass wir heraus­finden wollten, ob auch wir einen Computer so trainieren könnten, dass er uns die Zustands­gleichungen von Teilchen­kollisionen in einem Schwerionen­physik-Experiment besser vorher­sagen kann“, erklärt Long-Gang Pang. Gegen­stand seiner Forschung zusammen mit Kai Zhou und Nan Su aus den Arbeits­gruppen von Hannah Petersen, Horst Stöcker und Wang Xin-Nian aus Berkeley ist die Unter­suchung und Vorhersage von Experi­menten, bei denen Teilchen mit nahezu Lichtge­schwindigkeit zusammen­prallen.

Zu den größten noch offenen Fragen gehört, ob dabei ein spezieller Materie­zustand, das Quark-Gluon-Plasma, erzeugt wird, und wie der Übergang zu normaler Materie aussieht. Bisher können einige wichtige Infor­mationen, wie der Druck oder der Übergang zwischen den Zuständen, ‎nicht direkt aus den experi­mentellen Daten abgelesen werden. Hierfür braucht man komplexe Computer­modelle und riesige Rechner­leistungen. Gerade hier kann Deep Learning Prozesse effizienter gestalten und die Daten­analyse deutlich verbessern.

Unter Deep Learning versteht man eine Methode des Maschinen­lernens, bei der Computer­modelle eigenständig lernen, Klassi­fizierungen vorzu­nehmen. Dazu nehmen sie große Mengen an bekannten Bildern, Text, oder Geräuschen in eine Daten­bank auf und vergleichen sie dann mit unbe­kannten Daten. Die Systeme können sogar aus ihren Fehlern lernen und einige Probleme inzwischen effi­zienter lösen als Menschen, etwa das Bestimmen von Objekten auf Bildern. Am interdis­ziplinären FIAS arbeiten Neuro­wissenschaftler schon lange daran, die Prozesse die in unserem Gehirn statt­finden, zu abstrahieren, um daraus künst­liche neuronale Netze zu entwickeln. Dazu gehören auch neuronale Faltungs­netzwerke, welche die Basis für Deep Learning darstellen.

Durch die Arbeit der Kollegen am eigenen Institut inspiriert, haben die Forscher ein neu­ronales Faltungs­netzwerk mit über 20.000 Bildern von simu­lierten Schwerionen­kollisionen trainiert und erfolg­reich gezeigt, dass es in Zukunft möglich sein wird, die Methode zu verwenden, um die Phasenstruktur und andere Ergebnisse direkt aus den experi­mentellen Daten abzulesen. Damit die Wissen­schaftler ihre Methode auch direkt bei experi­mentellen Daten anwenden können, liegt noch etwas Arbeit vor ihnen, hierzu müssen sie noch die Fein­heiten der Detektoren in ihr Modell mit aufnehmen.

U. Frankfurt / JOL

Share |

Newsletter

Haben Sie Interesse am kostenlosen wöchentlichen oder monatlichen pro-physik.de-Newsletter? Zum Abonnement geht es hier.

COMSOL NEWS 2018

COMSOL Days

Lesen Sie, wie Ingenieure in einer Vielzahl von Branchen präzise digitale Prototypen erstellen, um die Grenzen der Technologie zu überschreiten und den Bedarf an physischen Prototypen zu reduzieren, sowie Simulationsanwendungen zu erstellen, mit denen Kollegen und Kunden weltweit neue Ideen testen können.

comsol.de/c/7bzn

Site Login

Bitte einloggen

Andere Optionen Login

Website Footer