AI กับ Particle Physic


Share this article

หลาย ๆ คนอาจจะคุ้นเคย หรือเริ่มได้ยินการนำเอา AI (Artificial Intelligence) เข้าไปประยุกต์ใช้กับงานต่าง ๆ ทั้งด้านการแพทย์ ที่นำ AI เข้ามาช่วยดูภาพ ภาพถ่ายด้วยคลื่นแม่เหล็กไฟฟ้า หรือ MRI (Magnetic resonance imaging) เพื่อให้การดูภาพ MRI ของหมอนั้นมีความแม่นยำมากยิ่งขึ้น หรือในด้านเคมีที่นำเอา AI มาช่วยในการทำนายโครงสร้างโมเลกุล (Molecule Structure) เพื่อนำมาพัฒนาเป็นตัวยาใหม่ ๆ ให้เราได้ใช้กัน นอกเหนือจากด้านวิทยาศาสตร์ประยุกต์แล้ว ในด้านวิทยาศาสตร์บริสุทธิ์ก็มีการใช้ AI เข้ามาช่วยเช่นกัน เช่นในด้านของฟิสิกส์ของอนุภาค (Particle Physics) ซึ่งเป็นสาขาที่หลาย ๆ คนคงคิดว่าไม่ได้เกี่ยวอะไรกับชีวิตประจำวันเท่าไหร่นัก (ซึ่งก็จริง) นั้น เราอาจสงสัยว่าเขาเอา AI ไปทำอะไรกัน? ที่สำคัญเลยคือ ศาสตร์สาขานี้พยายามจะทำอะไรกันแน่ แล้วนำเอา AI เข้ามาช่วยตรงไหน โดยวันนี้จะมาเล่าให้ทุกท่านทราบว่าในสาขานี้เขาทำอะไรกัน และสามารถนำเอา AI ไปประยุกต์ใช้ในส่วนใด

 

ก่อนที่เราจะพูดถึงเรื่อง AI เราคงต้องทราบถึงส่วน Particle Physics กันก่อนว่าเหล่านักฟิสิกส์นั้นทำอะไรกัน และถ้าพูดถึง Particle Physics เราคงต้องพูดถึง CERN (Conseil européen pour la recherche nucléaire) ซึ่งเป็นองค์การความร่วมมือระหว่างประเทศในทวีปยุโรปเพื่อวิจัยด้านนิวเคลียร์ โดยเป้าหมายหลักขององค์กรคือทำการทดลองเพื่อตามหาว่าจักรวาลนั้นประกอบขึ้นมาจากอะไร การที่จะหาคำตอบนี้ได้นักวิทยาศาสตร์จึงคิดค้นการทดลองง่าย ๆ ขึ้นมา โดยนำเอาของสองชนิดที่มีพลังงานสูง ๆ มาชนกันแล้วดูว่าจะเกิดอะไรขึ้น ซึ่งสิ่งของสองสิ่งนั้นคือ อนุภาคที่มีชื่อว่า proton ซึ่งเป็นองค์ประกอบของทุกอะตอมนั่นเอง และการที่จะให้มีพลังงานสูง ๆ ได้นั้นจะต้องเร่งทำให้มีความเร็วที่สูงมาก ดังนั้น CERN จึงต้องมีเครื่องเร่งอนุภาคขนาดใหญ่ (Large Hadron Collider – LHC) ที่มีความสามารถเร่งความเร็วของอนุภาคให้มีความเร็วเกือบเท่าความเร็วของแสง หลังจากนั้นนำเอาสองอนุภาคที่ถูกเร่งมาทดลองชนกัน ซึ่งจากการชนของสองอนุภาคนั้นพบว่าการชนเพียงครั้งเดียว ทำให้เกิดอนุภาคต่าง ๆ กระเด็นออกมามากมายดังแสดงในรูปที่ 1 โดยอาจเป็นอนุภาคที่เป็นส่วนประกอบของอนุภาคตั้งต้นที่นำมาชน หรืออาจเกิดอนุภาคใหม่ขึ้นมาก็ได้

รูปที่ 1: ภาพจำลองการกระจายตัวของอนุภาค ที่เกิดจากการทดลองนำอนุภาคสองตัวมาชนกัน ref: https://www.scientificamerican.com/article/particle-physicists-turn-to-ai-to-cope-with-cerns-collision-deluge/

จากการใช้เครื่องวัดขนาดใหญ่ในการวัดคุณสมบัติของอนุภาคที่กระเด็นออกมาจำนวนมากนั้น นักฟิสิกส์สามารถใช้ข้อมูลมหาศาลที่ได้มาในการวิเคราะห์เพื่อตอบคำถามต่าง ๆ ที่ตัวเองสงสัยได้ จากรูปที่ 1 เราได้เห็นไปแล้วว่าอนุภาคต่าง ๆ ทิ้งร่องรอยไว้เยอะมาก หน้าที่หลักอันหนึ่งของเหล่านักฟิสิกส์คือการที่ต้องมาระบุว่า แต่ละอนุภาคที่เกิดจากการชนนั้นคืออนุภาคชนิดใดบ้าง

รูปที่ 2: กราฟพลังงานที่สูญเสียในเครื่อง TPC ของอนุภาคแต่ละชนิดต่อโมเมนตัม ref: http://cds.cern.ch/record/2665084/plots

ดังนั้นจึงต้องมีวิธีการจำแนกที่แม่นยำยิ่งขึ้น เช่นการตรวจสอบว่าอนุภาคที่ต้องการจะจำแนกนั้น เมื่อเกิดอันตรกิริยากับสสารของเครื่องตรวจจับ มีจำนวนการชนในเครื่องตรวจจับกี่ครั้ง และเนื่องจากเมื่ออิเล็กตรอน และอนุภาคไพออน เดินทางไประยะหนึ่งจะเกิดการสลายตัว (decay) ตัวมันเองซึ่งมีลักษณะคล้ายกับสเปรย์ที่เริ่มจากหนึ่งอนุภาคแล้วกระจายตัวออกมา ดังรูปที่ 3 เราจะเห็นว่าไพออนจะปลดปล่อยอนุภาคออกมาน้อยกว่าอิเล็กตรอน นักฟิสิกส์จึงนำเอาคุณสมบัตินี้มาระบุว่าอนุภาคใดคือไพออน หรืออิเล็กตรอน แต่ก็ไม่เสมอไปที่ไพออนจะสลายตัว แล้วให้อนุภาคออกมาน้อยกว่า จากรูปที่ 4 เห็นว่าไพออนก็สามารถ decay อนุภาคออกมาเยอะได้เหมือนกัน ดังนั้นก็อาจจะทำให้เกิดความผิดพลาดในการระบุอนุภาคขึ้นได้

รูปที่ 3: รูปการจำลองการของ อนุภาคอิเล็กตรอน (e) และอนุภาคไพออน (π) ที่เกิดปฏิกิริยากในเครื่องตรวจจับ ทำให้เกิดเป็นเหมือนละอองของอนุภาค

รูปที่ 4: รูปการจำลองการอนุภาคไพออน (π) ที่เกิดปฏิกิริยากในเครื่องตรวจจับ ทำให้เกิดเป็นเหมือนละอองของอนุภาค

ดังนั้น AI จึงสามารถนำมาช่วยแก้ปัญหานี้ จากเดิมแค่ดูว่าจำนวนอนุภาคที่ถูกสลายตัวออกมานั้นมากหรือน้อย เพื่อมาระบุชนิดของอนุภาค เปลี่ยนเป็นให้ AI ได้เรียนรู้รูปแบบพฤติกรรมของไพออน และอิเล็กตรอน ที่สลายตัวอนุภาคออกมาจากรูปภาพ (Image) โดยเราสามรถใช้ deep convolutional neural networks กับข้อมูลชุดนี้เพื่อสร้างเป็น โมเดลในการจำแนกประเภท (classification model) ขึ้นมาดังรูปที่ 5 โดยข้อมูลที่เราได้นำมาเป็น input ของโมเดลมาจากการจำลองผลการทดลองแล้วนำผลที่ได้มานั้นมาสร้างเป็นภาพ เหมือนรูปที่ 3 และ 4 เพื่อนำภาพเหล่านี้มาให้โมเดลได้เรียนรู้และวัดผล ซึ่งผลที่ได้จากโมเดลนั้นมีความแม่นยำกว่า การใช้วิธีการแบ่งชนิดตามจำนวนอนุภาคที่สลายตัวออกมาอย่างเห็นได้ชัด และเนื่องจากการใช้ AI เข้ามาช่วยนั้นก็จะทำให้การระบุชนิดของอนุภาคนั้นมีความถูกต้องแม่นยำมากยิ่งขึ้น ยิ่งไปกว่านั้นหากเราทำการศึกษาโมเดลเพิ่มเติม อาจได้เรียนรู้พฤติกรรมของไพออนและอิเล็กตรอนมากขึ้น เราอาจได้ค้นพบความรู้ใหม่ๆ ของ Particle Physics มากยิ่งขึ้นได้

 

รูปที่ 5: แผนถาพโมเดลในการจำแนกประเภท (classification model) เพื่อแยกอนุภาคอิเล็กตรอน (e) และอนุภาคไพออน (π)

Reference:

https://www.scientificamerican.com/article/particle-physicists-turn-to-ai-to-cope-with-cerns-collision-deluge/

http://cds.cern.ch/record/2665084/plots

Rüdiger Haake for the ALICE collaboration, 2017, Machine and deep learning techniques in heavy-ion collisions with ALICE, European Physical Society Conference on High Energy Physics.

Cogan et al, 2015, Jet-Images: Computer Vision Inspired Techniques for Jet Tagging, JHEP 02

READ  การประมาณการทรัพยากรเพื่อเพิ่มประสิทธิภาพและความเหมาะสมในการประมวลผลสำหรับระบบการจัดการล็อก

ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 14 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: [email protected]
Tel: 097-941-9889

ABOUT

SERVICES