هفته گذشته در آمستردام بودم، جایی که در اولین کنفرانس هوش مصنوعی اروپایی برای فیزیک بنیادی (EUCAIF) شرکت کردم. متأسفانه، من واقعاً نتوانستم کار را در آنجا دنبال کنم زیرا یک ویروس برونش بسیار تند و زننده مرا در این وسط نگه داشت. در آخر هفته توانستم خودم را به خانه برگردانم و امروز که هنوز با عواقب بعدی دست و پنجه نرم می کنم، برای یک رویداد مرتبط دیگر به رم سفر می کنم.
این جلسه ESPP نام دارد و تلاشی از سوی INFN برای جمع‌آوری اطلاعات از جامعه خود برای به‌روزرسانی استراتژی اروپایی بعدی برای فیزیک ذرات است. روز سه‌شنبه یک سخنرانی کوتاه در مورد هوش مصنوعی برای طراحی آشکارساز خواهم داشت تا بحث برنامه‌ریزی شده بعد از آن را تحریک کنم. آنچه می خواهم بگویم و آنچه خواهم گفت این بار دو چیز کمی متفاوت است، زیرا در مدت زمان کوتاهی که دارم، خطر سوء تفاهم – یا بدتر از آن، توهین به جامعه سازندگان آشکارساز – بسیار زیاد است.
با این حال، در این مکان امن، به دور از نگاه این روح های حساس، می توانم سعی کنم آنچه را که واقعاً فردا می خواهم بگویم، توضیح دهم. گمان می‌کنم این آیین آپوتروپایی می‌تواند به من کمک کند لحن بحث‌برانگیز غیرضروری را از سخنرانی‌ام حذف کنم و آن را قابل قبول‌تر و واضح‌تر کنم.
اصل چیزی که می خواهم بگویم، به شیوه معمولی صریح خود، این است: بالاخره کنار بروید. اگر در چند سال گذشته در کما بوده اید (همانطور که MP به درستی در گفتگوی هفته گذشته در EUCAIF بیان کرد)، ممکن است متوجه نشده باشید که یک انقلاب هوش مصنوعی در راه است. این امر مستلزم اقدام سریع است تا بتوانیم هر کاری را که انجام می دهیم و جامعه را تحت تأثیر قرار می دهد با وضعیت به سرعت در حال تحول منطبق کنیم. در غیر این صورت، ما در معرض خطر تولید نتایجی هستیم که در نهایت نامتعادل، نابهینه یا به سادگی اشتباه می‌شوند. پس یا قبولش می کنی یا به حال خودت می گذاری.
من می دانم که پیروی از روند فکری بالا کمی دشوار است، بنابراین اجازه دهید کمی بیشتر توضیح دهیم.
Chim/Shutterstock
1. فیزیکدانان ذرات با بیش از نیم قرن تمرین موفق، اعتماد لازم را برای طراحی، انجام و انجام آزمایش های بسیار پیچیده با استفاده از فناوری های پیشرفته (و گاهی اوقات فناوری های کاملاً جدید) به دست آورده اند.
2. به دلیل اشتیاق ما برای کاوش بیشتر در اسرار مواد زیرهسته ای، ما به تدریج دامنه این تلاش ها را گسترش داده ایم به طوری که زمان استفاده از طرح اولیه تا استفاده از ابزار در نتیجه از چند سال به ده ها سال کوتاه شده است – چیزی که مرتباً ما را به روز می کند. برنامه های استراتژیک در واقع برای ما منطقی است.
3. حتی در یک حالت ثابت، توسعه ابزاری که هنوز در 20 سال کار خواهد کرد نیاز به آینده نگری دارد: وضعیت سیاسی، اقتصادی و علمی در 20 سال آینده چگونه توسعه خواهد یافت؟ فیزیکدانان به برون یابی این عوامل با موفقیت متفاوت و حداقل یک شکست بزرگ عادت کرده اند: SSC که در سپتامبر 1993 با رای منفی کنگره ایالات متحده لغو شد. خوب، تقریباً تقصیر ما کاملاً نبود، اما این قسمتی است که نشان می دهد یخ حتی در زمان های عادی چقدر نازک است.
4. اما ما در زمان عادی زندگی نمی کنیم. در 20 سال آینده، نرم افزاری که داده های تولید شده توسط ابزارهای ما را تجزیه و تحلیل می کند، از آنچه امروز در دست داریم بسیار دور خواهد بود. این نرم افزار قادر خواهد بود اطلاعاتی در مورد فعل و انفعالات ذرات با ماده استخراج کند که ما هنوز آن را فعال نکرده ایم یا نمی خواهیم امروز حفظ کنیم (به عنوان مثال: ما اجازه نمی دهیم که در حین ردیابی ذرات باردار با سبک تر کردن ردیاب هایمان، فعل و انفعالات هسته ای انجام شود. ایده خوبی است. اما انتقال ناگهانی به کالری‌سنج‌های با چگالی بالا در آینده نیاز به بازنگری دارد، در شرایطی که هوش مصنوعی می‌تواند شناسایی ذرات را با بهره‌برداری از این ضربه‌های هسته‌ای بد درک کند. بنابراین ما امروزه خطر توسعه ابزارهایی را داریم که با احتمالات استخراج و پردازش اطلاعات آینده سازگار نیستند.
پس چگونه باید به مشکل نزدیک شویم؟ برای من، پاسخ بی‌معنی است: با استقبال از فناوری جدید هوش مصنوعی در حال ظهور و تلاش برای موج‌سواری در این موج عظیم که سر راه ما قرار می‌گیرد. اما آیا ما برای آن آماده ایم؟ متأسفانه، بله، اما نه – بسیاری از افراد جامعه فیزیک انرژی بالا فرصت ها و خطرات گرداب هوش مصنوعی را درک کرده اند، اما کارشناسان ساختمان آشکارساز ما معمولاً علاقه زیادی به بازی با فناوری های نرم افزاری جدید ندارند.
در نهایت، همکاران من، که شاید ده سال از من بزرگتر هستند، تصمیم خواهند گرفت که چه و چگونه آزمایش هایی بسازند که تا 20 سال دیگر به بهره برداری می رسند. آنها به دوران بازنشستگی نزدیک می شوند و می خواهند تغییری ایجاد کنند و خواهند کرد. اما اگر آنها از موج ورودی غافل شوند، آینده آشکارسازهای ذرات را شکل خواهند داد که ممکن است بهینه نباشند.
من مدتی پیش در اینجا توضیح دادم که پنج سال پیش از ناهماهنگی شناختی شدید رنج می بردم که برای اولین بار شنیدم که همکارم فرانکو بیدسکی طرحی را که طرفدار آن بود در جلسه هیئت مدیره INFN “کمیسیون 1” در کاتانیا توصیف کرد که آینده ای را ارائه کرده بود. آشکارساز که با انرژی بالاتر روی برخورد دهنده الکترون-پوزیترون کار می کند. فرانکو نه تنها یک همکار و دوست ارزشمند است، بلکه یکی از بزرگترین متخصصان ما در آشکارسازهای ذرات است، اما زمانی که چنین ماشینی در نهایت ساخته شود، بازنشسته خواهد شد. در کاتانیا، او در کنار هم قرار دادن ایده های خود به فیل در اتاق – هوش مصنوعی – توجهی نکرد.
بنابراین منظورم این است که فریاد می زنم: “از قبل خود را کنار بگذار.” در عوض، من می خواهم که آنها تا حد امکان توجه بیشتری داشته باشند و حتی بیشتر اطمینان حاصل کنند که طراحی آشکارسازهای آینده در واقع یک هم آفرینی آشکارسازها و نرم افزارها
صبر کن چی؟ آیا در ده ها سطر آخر متن بارها و بارها تاکید نکردم که نمی توانیم آینده قابلیت های نرم افزاری خود را پیش بینی کنیم؟ پس چرا می‌خواهم نرم‌افزار فعلی را وارد خط لوله کنم؟
من نگفتم «جاری»، دوه. در واقع، من استدلال کرده‌ام که وقتی خط لوله‌ای ایجاد می‌کنیم که پارامترهای آشکارساز، برهمکنش‌های ذرات و استخراج اطلاعات از بازخوان‌های آشکارساز را مدل‌سازی می‌کند، یک رویکرد بسیار خوب است که عملکرد بازسازی کامل را از ابزارهای نرم‌افزاری خود فرض کنیم. سپس می‌توان از چنین خط لوله‌ای برای بهینه‌سازی پارامترهای آشکارساز سرتاسر استفاده کرد و تشخیص داد که کدام تصمیمات طراحی به طور بالقوه عملکرد بالاتری را ممکن می‌سازد (همانطور که با دقت نتایج نهایی اندازه‌گیری می‌شود، مانند “بالاترین محدوده کشف برای فیزیک جدید” اگر ما به عنوان مثال B. یک آشکارساز برای یک برخورد دهنده با انرژی بالا در آینده می سازیم). سپس فرآیند کاهش بازسازی کامل به پیشرفته‌ترین حالت را می‌توان در زنجیره مدل‌سازی برای ارزیابی معنای این تغییرات برای طراحی و درک اینکه تصمیم‌های بهینه شناسایی‌شده چقدر قوی هستند، وارد کرد.
ممکن است موارد فوق یک روش کاملاً ساختگی به نظر برسد. مشکل این است که به دلیل پیچیدگی ابزارهای ما، نمی‌توانیم شبیه‌سازی‌های با دقت بالا را برای بررسی هر نقطه در فضای بابعد گزینه‌های طراحی اجرا کنیم. در عوض، ما باید این کار را به یک فرآیند اسکن خودکار – که توسط توابع نزول گرادیان و یادگیری عمیق پشتیبانی می‌شود، بسپاریم. این امر مستلزم کاهش دقت مدل‌سازی به نفع کاوش قوی‌تر و کامل‌تر از فضای پیکربندی است.
به طور خلاصه، توسعه مشترک سخت‌افزار و نرم‌افزار و بهینه‌سازی سرتاسر سیستم‌های حاصل باید مسیری باشد که ما هنگام طراحی آزمایش‌های آینده خود طی می‌کنیم. این در حال حاضر در برنامه های صنعتی که در آن منابع بیشتری برای تحقیق و توسعه در توسعه نرم افزار در دسترس است، انجام می شود. با این حال، در منطقه ما این معمول نیست، عمدتاً به این دلیل که لعنتی سخت است! اما در عوض باید به طور سیستماتیک با آن مقابله کنیم. ما به عنوان یک جامعه، مطمئناً کسی نیستیم که بتوانیم به راحتی در برابر چالش‌های بزرگ مانع شویم!
سهم کوچک من در این فراخوان این است که همکاری MODE را پایه گذاری کردم و در حال انجام برخی از کارهای نه چندان دشوار بهینه سازی طراحی هستم. و هفته گذشته در EUCAIF ما فعالیت‌های یکی از پنج گروه کاری را که دقیقاً به موضوع طراحی مشترک برای آزمایش‌های آینده اختصاص داشت، راه‌اندازی کردیم. من این تلاش را در کنار پیترو ویشیا هدایت می کنم و امیدواریم با جامعه خود ارتباط برقرار کنیم و آنها را از مزایای بالقوه هوش مصنوعی برای تحقیقات اساسی آگاه کنیم.
امیدوارم این پیام به نتیجه برسد و فکر می کنم بعد از نوشتن متن کوتاه بالا بتوانم دیدگاه خود را در سخنرانی فردا با وضوح بیشتری بیان کنم.
