Exploiter l'apprentissage automatique pour transformer la physique moderne

Les expériences de physique moderne génèrent des quantités massives de données. En fait, certaines expériences produisent plus de données que des grosses boîtes comme Google ou Netflix. Pour traiter efficacement ces données, on a besoin de puissantes capacités de calcul et de méthodes efficaces. Les récents progrès en Apprentissage automatique (ML) et en intelligence artificielle (IA) montrent qu'ils pourraient améliorer l'efficacité des workflows en physique. Ces nouvelles méthodes peuvent accélérer les processus existants et sont particulièrement efficaces avec du matériel spécialisé comme les GPU ou les FPGA.

Début 2023, le MIT a organisé un atelier sur l'utilisation du ML en physique, rassemblant des chercheurs de domaines comme la physique des ondes gravitationnelles, l'astrophysique et la physique des particules. Ils ont partagé des idées et des avancées sur l'incorporation des outils ML dans leurs workflows de recherche. Cet article résume certains des algorithmes et cadres de calcul discutés, ainsi que les demandes futures anticipées en Ressources informatiques dans ces domaines.

#Apprentissage Automatique en Physique

L'apprentissage automatique est un domaine technologique en pleine croissance avec des applications dans de nombreux secteurs. En physique, il aide pour des tâches comme la classification, le tagging, la réduction de bruit, la reconstruction d'événements et la détection d'événements inhabituels. À mesure que la physique expérimentale utilise de plus en plus le ML, il est crucial de maximiser l'efficacité computationnelle pour réduire à la fois le temps de traitement et l'utilisation des ressources.

Une manière efficace d'améliorer l'efficacité du ML est d'utiliser des systèmes de calcul mixtes qui emploient du matériel supplémentaire comme des GPU et des FPGA. Bien que les installations de calcul à grande échelle aux États-Unis disposent d'équipements modernes pour la recherche scientifique, il manque des outils standards pour utiliser efficacement ces ressources mixtes. Les centres de Calcul haute performance (HPC), comme ceux du National Energy Research Scientific Computing Center (NERSC) ou du San Diego Supercomputer Center (SDSC), ont d'importantes ressources GPU disponibles. Cependant, beaucoup de leur attention a été portée sur des simulations et calculs dans des domaines comme la chromodynamique quantique sur réseau et la modélisation astrophysique. Cela signifie qu'il a y eu peu d'applications de ces systèmes pour des opérations En temps réel dans de grandes expériences de physique.

Les développements récents en ML pour la physique ont montré des améliorations significatives en vitesse et en performance des algorithmes. L'intérêt pour l'utilisation de grandes ressources de calcul mixtes est croissant, où des améliorations significatives de vitesse pourraient se produire. Cette situation présente une opportunité où le déploiement de workflows en physique dans des environnements HPC pourrait grandement soutenir les besoins computationnels des futures expériences en physique.

#Défis de l'Utilisation des HPC pour la Physique en Temps Réel

Il y a des obstacles à l'utilisation des ressources HPC pour les workflows en physique en temps réel. Par exemple, équilibrer la charge de travail entre les CPU et les GPU, assigner différents algorithmes à divers GPU, et utiliser des outils industriels pour des calculs à grande échelle ont vu une application limitée dans les milieux HPC. Cependant, avec quelques ajustements de conception et des améliorations à la façon dont les centres HPC actuels et futurs opèrent, il y a une immense opportunité d'améliorer le déploiement de systèmes de traitement en temps réel alimentés par l'IA pour les expériences de physique.

Pour sensibiliser sur le ML, l'IA, et les outils computationnels, des événements comme l'atelier "Accélérer la physique avec le ML au MIT" et des organisations comme l'Institute for Accelerated AI Algorithms for Data Driven Discovery (A3D3) ont rassemblé des chercheurs de divers domaines pour échanger des connaissances sur différents algorithmes et cadres de calcul.

#Applications en Astronomie Électromagnétique

L'astronomie électromagnétique (EM) connaît une augmentation significative du flux de données. Les prochaines enquêtes optiques, comme le Legacy Survey of Space and Time (LSST) de l'Observatoire Vera C. Rubin, enregistreront des alertes transitoires à un rythme bien supérieur à celui des enquêtes précédentes. Des enquêtes en cours, comme le Zwicky Transient Facility (ZTF) et le Transiting Exoplanet Survey Satellite (TESS), traitent déjà des millions d'alertes. Pour gérer l'augmentation des données attendues du LSST, une variété d'algorithmes d'apprentissage automatique sont en cours de développement pour traiter, classifier et analyser ces alertes.

Le LSST devrait collecter 20 téraoctets d'images chaque nuit, ce qui entraînera plus de dix millions d'alertes transitoires chaque nuit, toutes mises à disposition de la communauté scientifique une minute après la collecte. Sept courtiers d'alerte sont en cours de développement pour gérer ces flux, gérer les données et fournir un accès utile aux chercheurs. Bien que ces courtiers utiliseront certaines capacités d'apprentissage automatique, ils manquent actuellement de l'infrastructure computationnelle requise pour traiter des algorithmes plus complexes.

Pour de nombreux objets transitoires, les observations de suivi en temps opportun sont essentielles pour comprendre la physique sous-jacente. Des mesures rapides de suivi, en particulier dans des domaines spécialisés comme la spectroscopie, sont importantes pour saisir les origines et la mécanique de ces événements. Certains événements nécessitent un suivi dans les secondes ou les heures, tandis que d'autres le nécessitent dans les jours ou les semaines.

Les exigences computationnelles pour les algorithmes essentiels en astronomie optique dans le domaine temporel, qui pourraient bénéficier des capacités en temps réel des installations HPC, sont considérables. Cela inclut diverses étapes depuis la préparation des alertes, la classification, jusqu'à l'estimation des paramètres des transitoires identifiés.

#Préparation des Alertes

Pour traiter les données des télescopes d'enquête afin de trouver des sources transitoires, des méthodes d'imagerie différentielle sont employées. Ces processus peuvent être très exigeants et ont bénéficié de l'accélération GPU. Ensuite, des algorithmes de classification réel-faux identifient quels transitoires détectés sont authentiques et lesquels ne sont que des artefacts résultant de bruit ou d'autres problèmes.

#Classification

Divers algorithmes d'apprentissage automatique sont actuellement utilisés pour classifier différentes alertes provenant de flux en temps réel. Des architectures de réseaux neuronaux comme les Réseaux Neuronaux Récurrents et les Transformateurs ont donné des résultats prometteurs dans la classification et la détection d'anomalies. Ces algorithmes peuvent fonctionner en temps réel sur des GPU. Cependant, de nombreux algorithmes exécutent d'abord une Régression de Processus Gaussien sur des CPU pour améliorer les données de séries temporelles avant que la classification ne se produise.

L'urgence d'identifier les événements transitoires varie. Pour des phénomènes comme les kilonovae, une identification rapide est essentielle, tandis que les événements périodiques comme les étoiles variables n'ont pas besoin d'une réponse immédiate. La classification des étoiles variables nécessite généralement des processus computationnels intensifs exécutés sur des CPU parallèles avant que les algorithmes d'apprentissage automatique ne soient exécutés.

#Estimation des Paramètres

Une fois qu'un candidat transitoire est classé par un algorithme d'apprentissage automatique, l'estimation des paramètres en temps réel peut aider à identifier les propriétés physiques clés, permettant aux chercheurs de décider immédiatement quels événements méritent un suivi. Les méthodes traditionnelles comme les analyses MCMC pour estimer les paramètres des supernovae sont gourmandes en ressources, mais des techniques récentes utilisant des algorithmes ML comme les flux de normalisation et les autoencodeurs ont rendu l'inférence beaucoup plus rapide. Les kilonovae sont rares et leurs paramètres sont souvent estimés à l'aide d'une combinaison de données optiques, d'ondes gravitationnelles et de rayons gamma, entraînant des coûts computationnels élevés.

#Applications en Astronomie des Ondes Gravitationnelles

La découverte des ondes gravitationnelles (GW) en 2015 a marqué un moment clé en physique, menant à des avancées significatives dans le domaine. L'augmentation continue des événements de GW détectés nécessite des avancées correspondantes dans les algorithmes et la puissance informatique disponibles pour l'analyse. Le nombre croissant de candidats signifie également que les approches traditionnelles pourraient devenir inadéquates.

À mesure que le nombre d'événements de GW nouvellement découverts augmente, la demande pour de meilleurs algorithmes et plus de ressources computationnelles devient évidente. Les exigences de calcul pour rechercher, classifier et cataloguer ces événements étaient immenses lors des précédentes campagnes d'observation. La prochaine campagne devrait entraîner encore plus de découvertes, nécessitant des techniques de modélisation améliorées pour suivre le rythme.

Le ML montre un grand potentiel dans divers aspects de l'analyse des ondes gravitationnelles, comme le nettoyage du bruit des données ou l'identification de la physique inconnue. L'efficacité des analyses utilisant des GPU a déjà produit des améliorations de vitesse considérables par rapport aux méthodes traditionnelles. Cependant, il est important de vérifier les résultats et de s'assurer que les systèmes peuvent efficacement utiliser ces coprocesseurs pour l'analyse de données en direct.

#Réduction du Bruit

Les facteurs environnementaux peuvent compliquer la réponse du détecteur de GW, rendant difficile l'élimination du bruit. Des algorithmes comme DeepClean ont montré du succès dans la gestion de ces problèmes de bruit non linéaires, augmentant la sensibilité du détecteur sans nuire à l'estimation des paramètres.

#Recherches

Le filtrage apparié reste la meilleure approche connue pour découvrir des ondes gravitationnelles, mais ce processus peut être très gourmand en calcul. Des avancées récentes ont montré que l'utilisation de réseaux temporels peut améliorer les taux de détection et permettre une extraction efficace des formes d'onde. Le développement de produits de données à faible latence, comme des cartes de ciel, a également été démontré en utilisant des flux de normalisation.

D'autres projets innovants, comme Aframe, adoptent une approche unique en utilisant des réseaux neuronaux pour produire des métriques de détection en temps réel directement à partir des données de déformation. Avec une combinaison de bruit de détecteur réel et de signaux déjà connus, ces algorithmes ont le potentiel d'améliorer considérablement la détection des signaux.

#Estimation des Paramètres

L'inférence basée sur la simulation amortie est un concept qui prend de l'ampleur dans plusieurs domaines de la physique. Un exemple est l'algorithme DINGO, qui effectue l'Estimation de paramètres binaires à partir d'événements d'ondes gravitationnelles. Il utilise des techniques avancées pour produire des résultats aussi précis que les méthodes d'échantillonnage traditionnelles, mais de manière beaucoup plus rapide. Ce type d'estimation est essentiel pour suivre le rythme de l'augmentation du taux de découvertes.

#Applications en Physique des Hautes Énergies

La physique des hautes énergies (HEP) connaît des demandes de données en forte augmentation à mesure que les techniques expérimentales évoluent. Alors que des installations comme le Grand collisionneur de hadrons (LHC) entrent dans de nouvelles phases, les taux de collecte de données pourraient augmenter considérablement. Pour répondre à la demande en ressources de calcul, la recherche en HEP se concentre sur l'amélioration de l'efficacité des workflows.

Une approche prometteuse consiste à utiliser des coprocesseurs comme des GPU et des FPGA pour réduire la dépendance aux CPU traditionnels, accélérant ainsi le traitement des données et d'autres calculs complexes. Les algorithmes de ML sont de plus en plus utilisés pour diverses tâches, y compris la régression et la classification.

#Affinage des Données

Dans les expériences du LHC, des workflows comme la production MiniAOD peuvent tirer parti de l'accélération GPU. Cela inclut des algorithmes pour le tagging de jets et la régression, l'estimation de l'énergie manquante, et l'identification de types de particules spécifiques. Les améliorations de vitesse peuvent entraîner des temps de traitement réduits et une efficacité accrue dans la gestion de vastes ensembles de données.

#Reconstruction des Événements

La reconstruction des événements est cruciale en HEP, en particulier pour le suivi des trajectoires des particules chargées. Cette étape peut consommer beaucoup de temps et de ressources. De nouveaux workflows utilisant des réseaux neuronaux graphiques, comme Exa.TrkX, offrent des améliorations de vitesse significatives, permettant une reconstruction de piste plus rapide et de meilleurs temps de traitement globaux.

#Directions Futures en Informatique pour la Physique

Alors que la communauté physique continue d'adopter le ML et l'IA, le besoin de solutions informatiques innovantes devient crucial. Diverses disciplines au sein de la physique montrent une riche diversité dans leurs besoins en informatique, allant des ressources nécessaires pour un traitement efficace aux bandes passantes nécessaires pour gérer de grands volumes de données.

Une solution potentielle serait d'établir un centre de calcul dédié conçu spécifiquement pour répondre aux divers besoins des différentes expériences. Un tel centre pourrait faciliter les collaborations, la recherche et le développement rapides, et fournir des ressources vitales pour les tâches de traitement de données de plus en plus exigeantes dans les expériences modernes de physique.

#Conclusion

L'intégration de l'apprentissage automatique et de l'intelligence artificielle dans les workflows en physique a démontré un potentiel considérable pour améliorer l'efficacité et l'efficacité. L'informatique haute performance, combinée à des algorithmes avancés, a le potentiel de transformer la façon dont les expériences gèrent des données à grande échelle. En favorisant la collaboration et en développant des ressources informatiques spécialisées, la communauté physique peut maximiser les avantages de ces avancées. Avec la croissance anticipée des données et des expériences, c'est le moment idéal pour consolider ces développements pour l'avenir.