Aprovechando el Aprendizaje Automático para Transformar la Física Moderna

Los experimentos de física moderna generan cantidades enormes de datos. De hecho, algunos experimentos producen más datos que grandes empresas como Google o Netflix. Para procesar estos datos de manera efectiva, necesitamos potencia computacional avanzada y métodos eficientes. Los avances recientes en Aprendizaje automático (ML) e inteligencia artificial (IA) muestran promesas para mejorar la eficiencia de los flujos de trabajo en física. Estos nuevos métodos pueden acelerar los procesos existentes y son especialmente efectivos cuando se utilizan hardware especializado como GPUs o FPGAs.

A principios de 2023, el MIT organizó un taller sobre el uso de ML en física, reuniendo a investigadores de áreas como física de ondas gravitacionales, astrofísica y física de partículas. Compartieron ideas y avances sobre cómo incorporar herramientas de ML en sus flujos de trabajo de investigación. Este artículo resume algunos de los algoritmos discutidos y marcos computacionales, junto con las demandas futuras anticipadas de Recursos Computacionales en estos campos.

#Aprendizaje Automático en Física

El aprendizaje automático es un área de tecnología que está creciendo rápidamente y tiene aplicaciones en muchos campos. En física, ayuda con tareas como clasificación, etiquetado, reducción de ruido, reconstrucción de eventos y detección de eventos inusuales. A medida que la física experimental usa cada vez más ML, es crucial maximizar la eficiencia computacional para reducir tanto el tiempo de procesamiento como el uso de recursos.

Una forma efectiva de mejorar la eficiencia de ML es emplear sistemas de computación mixta que usen hardware adicional como GPUs y FPGAs. Mientras que las instalaciones de computación a gran escala en EE. UU. tienen equipos modernos para la investigación científica, hay una falta de herramientas estandarizadas para utilizar efectivamente estos recursos mixtos. Los centros de Computación de Alto Rendimiento (HPC), como los del Centro Nacional de Cálculo Científico de Investigación Energética (NERSC) o el Centro de Supercomputación de San Diego (SDSC), tienen recursos significativos de GPU disponibles. Sin embargo, gran parte de su enfoque ha estado en simulaciones y cálculos en campos como la cromodinámica cuántica en red y modelado astrofísico. Esto significa que ha habido una aplicación limitada de estos sistemas para operaciones En tiempo real en grandes experimentos de física.

Los desarrollos recientes en ML para física han mostrado mejoras significativas en velocidad y rendimiento de algoritmos. Hay un creciente interés en usar grandes recursos de computación mixta, donde se podrían realizar mejoras de velocidad sustanciales. Esta situación presenta una oportunidad donde implementar flujos de trabajo de física en entornos HPC podría apoyar enormemente las necesidades computacionales de los futuros experimentos de física.

#Desafíos en el Uso de HPC para Física en Tiempo Real

Existen obstáculos para utilizar recursos HPC en flujos de trabajo de física en tiempo real. Por ejemplo, equilibrar la carga de trabajo entre CPUs y GPUs, asignar diferentes algoritmos a varias GPUs, y emplear herramientas industriales para cálculos a gran escala han visto una aplicación limitada en configuraciones de HPC. Sin embargo, con algunos ajustes de diseño y mejoras en cómo operan los actuales y futuros centros HPC, hay una gran oportunidad para mejorar la implementación de sistemas de procesamiento en tiempo real impulsados por IA para experimentos de física.

Para crear conciencia sobre ML, IA y herramientas computacionales, eventos como el taller "Acelerando la Física con ML en el MIT" y organizaciones como el Instituto para Algoritmos Acelerados de IA para el Descubrimiento Basado en Datos (A3D3) han unido a investigadores de varios campos para intercambiar conocimientos sobre diferentes algoritmos y marcos computacionales.

#Aplicaciones en Astronomía Electromagnética

La astronomía electromagnética (EM) está experimentando un aumento significativo en el flujo de datos. Las próximas encuestas ópticas, como la Encuesta de Legado del Observatorio Vera C. Rubin de Espacio y Tiempo (LSST), registrarán alertas transitorias a un ritmo que supera con creces encuestas anteriores. Encuestas en curso, como la Instalación Transitoria Zwicky (ZTF) y el Satélite para la Encuesta de Exoplanetas en Tránsito (TESS), ya están procesando millones de alertas. Para manejar el aumento anticipado de datos del LSST, se están desarrollando una variedad de algoritmos de aprendizaje automático para procesar, clasificar y analizar estas alertas.

Se espera que el LSST recoja 20 terabytes de imágenes cada noche, resultando en más de diez millones de alertas transitorias cada noche, todas disponibles para la comunidad científica solo un minuto después de la colección. Se están desarrollando siete brokers de alertas para manejar estos flujos, gestionar los datos y proporcionar acceso útil para los investigadores. Mientras que estos brokers utilizarán algunas capacidades de aprendizaje automático, actualmente carecen del backend computacional necesario para procesar algoritmos más complejos.

Para muchos objetos transitorios, las observaciones de seguimiento oportunas son vitales para entender la física subyacente. Mediciones rápidas de seguimiento, especialmente en áreas especializadas como la espectroscopía, son importantes para comprender los orígenes y mecánicas de estos eventos. Ciertos eventos necesitan seguimiento en segundos o horas, mientras que otros requieren días o semanas.

Los requisitos computacionales para algoritmos esenciales en astronomía óptica de dominio temporal que podrían beneficiarse de las capacidades en tiempo real de las instalaciones HPC son significativos. Esto incluye varias etapas desde la preparación de alertas, clasificación, hasta la Estimación de Parámetros de transitorios identificados.

#Preparación de Alertas

Para procesar datos de telescopios de encuesta y encontrar fuentes transitorias, se emplean métodos de imagen diferencial. Estos procesos pueden ser muy exigentes y se han beneficiado de la aceleración por GPU. Luego, los algoritmos de clasificación real-falso identifican cuáles transitorios detectados son genuinos y cuáles son meras proyecciones de ruido u otros problemas.

#Clasificación

Actualmente se utilizan varios algoritmos de aprendizaje automático para clasificar diferentes alertas de flujos en tiempo real. Las arquitecturas de redes neuronales como Redes Neuronales Recurrentes y Transformers han dado resultados prometedores en la clasificación y detección de anomalías. Estos algoritmos pueden operar en tiempo real en GPUs. Sin embargo, muchos algoritmos primero ejecutan la Regresión de Procesos Gaussianos en CPUs para mejorar los datos de series temporales antes de que ocurra la clasificación.

La urgencia para identificar eventos transitorios varía. Para fenómenos como kilonovas, la identificación rápida es esencial, mientras que eventos periódicos como estrellas variables no necesitan una respuesta inmediata. La clasificación de estrellas variables generalmente requiere procesos computacionales intensivos ejecutados en CPUs paralelas antes de que se ejecuten algoritmos de aprendizaje automático.

#Estimación de Parámetros

Una vez que un candidato transitorio es clasificado por un algoritmo de aprendizaje automático, la estimación de parámetros en tiempo real puede ayudar a identificar propiedades físicas clave, permitiendo a los investigadores tomar decisiones inmediatas sobre qué eventos merecen seguimiento. Métodos tradicionales como los análisis MCMC para estimar parámetros de supernovas son pesados en recursos, pero técnicas recientes utilizando algoritmos de ML como flujos normalizantes y autoencoders han hecho que la inferencia sea mucho más rápida. Las kilonovas son raras y sus parámetros a menudo se estiman usando una combinación de datos ópticos, de ondas gravitacionales y de rayos gamma, lo que conlleva altos costos computacionales.

#Aplicaciones en Astronomía de Ondas Gravitacionales

El descubrimiento de ondas gravitacionales (GW) en 2015 marcó un momento clave en la física, llevando a avances significativos en el campo. El aumento continuo en la cantidad de eventos de GW detectados requiere avances correspondientes en los algoritmos y la potencia computacional disponible para el análisis. El creciente número de candidatos también significa que los enfoques tradicionales pueden volverse inadecuados.

A medida que aumenta el número de eventos de GW recién descubiertos, se hace evidente la demanda de mejores algoritmos y más recursos computacionales. Los requisitos computacionales para buscar, clasificar y catalogar estos eventos fueron inmensos durante las rondas de observación anteriores. Se proyecta que la próxima ronda producirá aún más descubrimientos, requiriendo técnicas de modelado mejoradas para mantenerse al día.

ML muestra un gran potencial en varios aspectos del análisis de ondas gravitacionales, como limpiar el ruido de los datos o identificar física desconocida. La eficiencia de los análisis usando GPUs ya ha producido mejoras considerables en velocidad en comparación con los métodos tradicionales. Sin embargo, es importante verificar los resultados y asegurar que los sistemas puedan utilizar eficientemente estos coprocesadores para el análisis de datos en vivo.

#Reducción de Ruido

Los factores ambientales pueden complicar la respuesta del detector de GW, haciendo difícil eliminar el ruido. Algoritmos como DeepClean han tenido éxito en manejar estos problemas no lineales de ruido, aumentando la sensibilidad del detector sin perjudicar la estimación de parámetros.

#Búsquedas

El filtrado coincidente sigue siendo el enfoque mejor conocido para descubrir ondas gravitacionales, pero este proceso puede ser intensivo en computación. Los avances recientes han ilustrado que usar redes temporales puede mejorar las tasas de detección y permitir una extracción eficiente de formas de onda. También se ha demostrado el desarrollo de productos de datos de baja latencia, como mapas del cielo, utilizando flujos normalizantes.

Otros proyectos innovadores, como Aframe, adoptan un enfoque único al utilizar redes neuronales para producir métricas de detección en tiempo real directamente de datos de tensión. Con una combinación de ruido del detector en tiempo real y señales previamente conocidas, estos algoritmos tienen el potencial de mejorar significativamente la detección de señales.

#Estimación de Parámetros

La inferencia basada en simulaciones amortizadas es un concepto que está ganando tracción en varias áreas de la física. Un ejemplo es el algoritmo DINGO, que realiza la estimación de parámetros binarios a partir de eventos de ondas gravitacionales. Utiliza técnicas avanzadas para producir resultados tan precisos como los métodos de muestreo tradicionales, pero significativamente más rápido. Este tipo de estimación es crítica para mantenerse al día con la creciente tasa de descubrimiento.

#Aplicaciones en Física de Altas Energías

La física de altas energías (HEP) está experimentando una demanda de datos que aumenta rápidamente a medida que evolucionan las técnicas experimentales. A medida que instalaciones como el Gran Colisionador de Hadrones (LHC) se mueven hacia nuevas fases, las tasas de recolección de datos podrían aumentar significativamente. Para satisfacer la demanda de recursos computacionales, la investigación en HEP se centra en mejorar la eficiencia de los flujos de trabajo.

Un enfoque prometedor implica usar coprocesadores como GPUs y FPGAs para reducir la dependencia de las CPUs tradicionales, acelerando así el procesamiento de datos y otros cálculos complejos. Los algoritmos de ML se están utilizando cada vez más para diversas tareas, incluyendo regresión y clasificación.

#Refinamiento de Datos

En los experimentos del LHC, flujos de trabajo como la producción de MiniAOD pueden aprovechar la aceleración por GPU. Esto incluye algoritmos para etiquetado de jets y regresión, estimando energía faltante e identificando tipos específicos de partículas. Las mejoras en velocidad pueden llevar a tiempos de procesamiento reducidos y a una mayor eficiencia en el manejo de grandes conjuntos de datos.

#Reconstrucción de Eventos

La reconstrucción de eventos es crucial en HEP, particularmente para rastrear trayectorias de partículas cargadas. Este paso puede consumir mucho tiempo y recursos. Nuevos flujos de trabajo que emplean redes neuronales gráficas, como Exa.TrkX, ofrecen mejoras significativas en velocidad, permitiendo una reconstrucción de trayectorias más rápida y mejores tiempos de procesamiento en general.

#Direcciones Futuras en Computación para Física

A medida que la comunidad física continúa adoptando ML e IA, la necesidad de soluciones computacionales innovadoras se vuelve crítica. Diversas disciplinas dentro de la física muestran una rica diversidad en sus necesidades computacionales, que van desde los recursos requeridos para un procesamiento eficiente hasta el ancho de banda necesario para manejar grandes volúmenes de datos.

Una solución potencial sería establecer un centro de computación dedicado diseñado específicamente para atender las diversas necesidades de diferentes experimentos. Dicho centro podría facilitar colaboraciones, investigación y desarrollo rápidos, y proporcionar recursos vitales para las cada vez más exigentes tareas de procesamiento de datos en experimentos de física moderna.

#Conclusión

La integración del aprendizaje automático y la inteligencia artificial en los flujos de trabajo de física ha demostrado un gran potencial para mejorar la eficiencia y efectividad. La computación de alto rendimiento, combinada con algoritmos avanzados, tiene el potencial de transformar la forma en que los experimentos manejan datos a gran escala. Al fomentar la colaboración y desarrollar recursos computacionales especializados, la comunidad física puede maximizar los beneficios de estos avances. Con el crecimiento anticipado en datos y experimentos, ahora es el momento ideal para consolidar estos desarrollos para el futuro.