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 |

Webinar

Welches Turbulenzmodell soll ich benutzen?

  • 01. March 2018

Lösungen der seit nun fast 200 Jah­ren be­kann­ten Navier-Stokes-Glei­chung­en be­schrei­ben Strö­mung­en in al­len De­tails. Doch Tur­bu­len­zen sind noch im­mer ein nu­me­ri­scher Alb­traum, selbst mit Su­per­com­pu­tern sind tur­bu­len­te Strö­mung­en in re­a­lis­ti­schen Mo­del­len meist un­be­rech­en­bar.

Alle Webinare »

Site Login

Bitte einloggen

Andere Optionen Login

Website Footer