غالبًا ما لا تكون البيانات التجريبية عالية الأبعاد فحسب ، ولكنها أيضًا صاخبة ومليئةبالقطعالأثرية.هذا يجعل من الصعب تفسير البيانات. الآن،صممفريقHZBبرنامجًايستخدمشبكةعصبيةذاتية التعلم لضغط البيانات بطريقة ذكية وإعادة بناء نسخة منخفضة الضوضاء في الخطوة التالية.هذايسمحبتحديدالجمعياتالتي لا يمكن تمييزهابطريقةأخرى.يستخدمهذاالبرنامجحاليًالتشخيصالفوتونالخاصبليزرالإلكترونالخاليمنفلاشDESY.ومعذلك ، فهيمناسبة لتطبيقات مختلفة جدًا في العلوم.
المزيد ليس دائمًا أفضل ،لكنيمكنأنيكونمشكلة.فيالبيانات شديدة التعقيد ،هناكالعديدمنالأبعادبسببالعديدمنالمعلمات،لذلكلا يمكنتمييزالارتباطاتفيكثير من الأحيان.خاصة وأن البيانات التي تم الحصول عليها تجريبياًمضطربة وصاخبةبسبب التأثيراتغيرالمنضبطة.
مساعدة البشر على تفسير البيانات
الآن ، يمكن أن تساعد البرامج الجديدةالقائمةعلى أساليب الذكاءالاصطناعي.هذهفئة خاصة من الشبكات العصبية (NN)يسميها الخبراء "شبكاتالتشفير التلقائيالمتغيرغيرالمتشابك(β-VAE)".ببساطة ،يعالجNN الأولضغطالبياناتويعيدNNالثانيبناء البيانات لاحقًا. يوضح الدكتور جريجور هارتمان: "في هذه العملية ، يتم تدريب اثنين من NNsعلىالتفسيرالبشريللأشكالالمضغوطة". يشرف الفيزيائي وعالم البيانات علىمختبرHZBالمشترك لأساليب الذكاء الاصطناعي، والذييعملHZBبالاشتراكمع جامعة كاسل.
استخرجالمبادئ الأساسية دون معرفة مسبقة
اقترح Google Deepmind بالفعل استخدام β-VAEفي عام 2017. افترض العديد من الخبراء أنتطبيقاتالعالم الحقيقيستكونصعبةلأنالمكوناتغيرالخطيةيصعبفصلها.يقول هارتمان:يمكنلـβ-VAEاستخراجالمبادئالأساسيةمن البيانات دون معرفة مسبقة.
يتم تحديد طاقة الفوتون الخاصة بـ FLASH
فيدراسةمنشورةحاليًا، استخدمت المجموعةبرنامجًالتحديدطاقاتالفوتون لـ FLASH من أطيافالإلكترونأحاديةالانبعاث.يقول هارتمان: "لقدتمكنامناستخراج هذه المعلومات منالبياناتالإلكترونية الصاخبةلوقت الرحلة،والتيتعد أفضلبكثير منالأساليبالتحليليةالتقليدية". حتى البيانات التي تحتوي على عيوب خاصة بالكاشف يمكن تنظيفها بهذه الطريقة.
أداة قويةلمجموعةمتنوعة من المشاكل