Fizyka i astronomia

AI in physics and astronomy · id physastro · aliases: ML for physics, AI for astronomy, astroinformatics, physics ML, uczenie maszynowe w fizyce, astroinformatyka

Zastosowania ML w fizyce cząstek, astrofizyce, kosmologii i fizyce plazmy: klasyfikacja sygnałów, szybka symulacja, wnioskowanie i sterowanie eksperymentami.

ML in particle physics, astrophysics, cosmology and plasma physics: signal classification, fast simulation, inference and experiment control.

In one sentence

Uczenie maszynowe, które pomaga fizykom i astronomom przesiewać ogromne ilości pomiarów z teleskopów, zderzaczy i reaktorów.

Machine learning that helps physicists and astronomers sift huge volumes of measurements from telescopes, colliders and reactors.

Problem it solves

Współczesne teleskopy i detektory zbierają więcej danych w jedną noc, niż ludzie zdołaliby obejrzeć przez całe życie.

Modern telescopes and detectors collect more data in one night than people could inspect in a lifetime.

What it does

Działa jak niezmordowany asystent, który przegląda każdy zapis i odkłada na bok te kilka, w których może kryć się odkrycie.

It works like a tireless assistant who goes through every record and sets aside the few that may hide a discovery.

Everyday example

Z milionów zdjęć nieba sieć wybiera garść nowo rozbłysłych gwiazd, które astronomowie jeszcze tej nocy obserwują dokładniej.

From millions of sky images a network picks a handful of newly flaring stars that astronomers observe more closely that same night.

This concerns you if you…

• interesujesz się kosmosem lub fizyką cząstek
• chcesz zobaczyć, jak AI pomaga w odkryciach naukowych
• are curious about space or particle physics
• want to see how AI helps make scientific discoveries

Subtopics

• Odsiewanie fałszywych alarmów w obserwacjach zmiennego nieba (Real–bogus classification of astronomical transients): Classifying difference-image cutouts from sky surveys (real source vs. artefact) with a convolutional network in the alert pipeline.
• Rozpoznawanie kształtów galaktyk na zdjęciach nieba (Galaxy morphology classification): Classifying galaxy morphology with convolutional networks (Bayesian ensembles) trained on vote distributions from crowdsourcing volunteers.
• Rozpoznawanie strumieni cząstek ze zderzeń (jet tagging) (Jet tagging in particle physics): Classifying hadronic jets (e.g. top, W, b, gluon) with permutation-invariant networks on particle clouds, graphs or transformers.
• Sterowanie plazmą w tokamaku przez uczenie ze wzmocnieniem (Reinforcement learning for tokamak plasma control): Deep RL trained in a plasma simulator that controls all of a tokamak's coils with one network, holding and shaping the plasma.
• Szybka symulacja detektorów modelami generatywnymi (Generative fast simulation of particle detectors): Generative models (GANs, VAEs, flows, diffusion, flow matching) replacing calorimeter shower simulation, evaluated on shared challenges.
• Wykrywanie fal grawitacyjnych przez sieci neuronowe (Deep learning detection of gravitational waves): Convolutional networks on interferometer time series that detect coalescence signals and estimate their parameters faster than matched filtering.
• Wyszukiwanie planet pozasłonecznych w zmianach jasności gwiazd (Exoplanet transit detection with deep learning): Classifying transit signals in light curves (planet vs. false positive) with 1D convolutional networks and ranking candidates.

Related topics

• Uczenie maszynowe z fizyką i symulacje (Physics-informed and scientific machine learning)

Sources

• Machine learning and the physical sciences · Giuseppe Carleo, Ignacio Cirac, Kyle Cranmer, Laurent Daudet, Maria Schuld, Naftali Tishby, Leslie Vogt-Maranto, Lenka Zdeborová