هفته گذشته در آمستردام بودم که در اولین دوره شرکت کردم کنفرانس اروپایی هوش مصنوعی برای فیزیک بنیادی (EUCAIF). متأسفانه نتوانستم کار را در آنجا به درستی پیگیری کنم، زیرا در آن زمان به یک بیماری ناخوشایند برونش مبتلا بودم. سپس در آخر هفته توانستم به خانه برگردم و امروز، همچنان که با افکت های بعدی سروکار دارم، برای رویداد مهم دیگری به رم سفر می کنم.
جلسه تشکیل می شود ESPP و این تلاش INFN برای جمع آوری اطلاعات از جامعه خود برای به روز رسانی بعدی استراتژی فیزیک ذرات اروپایی است. روز سه شنبه من یک سخنرانی کوتاه در مورد هوش مصنوعی برای طراحی آشکارساز خواهم داشت تا بحث برنامه ریزی شده بعدی را تحریک کنم. آنچه می‌خواهم بگویم و آنچه که می‌خواهم بگویم، این بار دو چیز کمی متفاوت است، زیرا در مدت زمان کم خطر سوء تفاهم – یا بدتر از آن، توهین به جامعه سازنده آشکارساز – بسیار زیاد است.
در این مکان امن، به دور از چشم این روح های حساس، می توانم سعی کنم آنچه را که واقعاً دوست دارم فردا بگویم، توضیح دهم. من احساس می کنم که این آیین آپتروپایی می تواند به نحوی به من کمک کند تا نگرش متناقض غیرضروری را از گفتارم حذف کنم و آن را قابل قبول تر و واضح تر کنم.
خلاصه آنچه که من می خواهم بگویم، به شیوه معمولی من، این است: اکنون حرکت کنید. اگر در چند سال گذشته در کما بوده اید (همانطور که نماینده مجلس به درستی در طی یک سخنرانی در EUCAIF هفته گذشته بیان کرد)، ممکن است متوجه نشده باشید که انقلاب هوش مصنوعی در راه است. این امر مستلزم اقدام سریع است تا بتوانیم هر کاری را که انجام می دهیم و بر جامعه تأثیر می گذارد، با شرایط به سرعت در حال تحول سازگار کنیم. در غیر این صورت، خطری که ما متحمل می‌شویم، تولید نتایجی است که در نهایت ناهماهنگ، نابهینه یا اشتباه هستند. پس یا آن را در آغوش بگیرید یا رها کنید.
می دانم که پیروی از رشته فکری بالا کمی سخت است، پس بیایید کمی آن را باز کنیم.
Chim/Shutterstock
1. در طول نیم قرن تمرین موفق، فیزیکدانان ذرات در طراحی، ساخت و انجام آزمایش‌های بسیار پیچیده که از فناوری‌های پیشرفته استفاده می‌کنند (و گاهی اوقات آزمایش‌های کاملاً جدید را تصور می‌کنند) مطمئن شده‌اند.
2. به دلیل طمع ما برای حفاری عمیق تر در اسرار مواد زیرهسته ای، ما به تدریج این تلاش ها را افزایش دادیم به طوری که زمان پایان کار از طرح اولیه تا عملیات ابزار متعاقباً از چند سال به محدوده ده ها سال تغییر کرد – به روز رسانی دوره ای ما. برنامه های استراتژیک یک چیز واقعاً معنی دار برای تفریح است.
3. حتی در حالت ثابت، طراحی ابزاری که 20 سال آینده کار خواهد کرد نیاز به یک چشم انداز دارد: وضعیت سیاسی، اقتصادی و علمی از هم اکنون تا 20 سال آینده چگونه تکامل خواهد یافت؟ فیزیکدانان به برون یابی این عوامل عادت دارند، با موفقیت های متفاوت و حداقل یک شکست بزرگ، SSC – که با رای مخالف کنگره ایالات متحده در سپتامبر 1993 لغو شد. بسیار خوب، تقصیر ما به سختی بود، اما این یک قسمت است که نشان می دهد که یخ حتی در زمان های عادی چقدر نازک است.
4. اما ما در زمان عادی نیستیم. در 20 سال آینده، نرم‌افزاری که داده‌های تولید شده توسط ابزارهای ما را معنا می‌کند، با آنچه امروز در دست داریم، بسیار متفاوت خواهد بود. این نرم افزار قادر خواهد بود اطلاعاتی در مورد فعل و انفعالات ذرات با ماده استخراج کند که امروزه ما هنوز به فعال کردن یا حفظ آنها اهمیتی نمی دهیم (مثال؟ ما با سبک کردن ردیاب های خود، تعاملات هسته ای را در حین ردیابی ذرات باردار ممنوع می کنیم. ایده خوب، اما انتقال ناگهانی به کالری‌سنج‌های با چگالی بالا نیازمند بازنگری در شرایطی است که هوش مصنوعی می‌تواند با استفاده از آن بمب‌های هسته‌ای زشت، شناسایی ذرات را درک کند. بنابراین، آنچه ما در معرض خطر قرار می‌دهیم، طراحی ابزارهایی است که فردا با قابلیت‌های بازیابی و پردازش اطلاعات آینده هماهنگی ندارند.
پس چگونه به مشکل نزدیک شویم؟ برای من، پاسخ بی‌معنی است: با پذیرش فناوری جدید هوش مصنوعی در حال ظهور و تلاش برای پرش از این موج عظیم که به سمت ما می‌آید. اما آیا ما آماده انجام این کار هستیم؟ افسوس، بله، اما نه—بسیاری از جامعه فیزیک پرانرژی احتمالات و خطرات گرداب هوش مصنوعی را درک کرده اند، اما متخصصان ساخت آشکارساز ما عموماً علاقه زیادی به سرهم بندی کردن با فناوری های نرم افزاری در حال ظهور ندارند.
در نهایت، کسانی که تعیین می‌کنند چه چیزی و چگونه بسازند، برای آزمایش‌هایی که 20 سال آینده جواب می‌دهند، همکارانی هستند که شاید یک دهه از من بزرگتر باشند. با نزدیک شدن به بازنشستگی، آنها می خواهند تأثیر بگذارند، و خواهند کرد. اما اگر موج ورودی را نادیده بگیرند، آینده آشکارسازهای ذرات را شکل خواهند داد، که خطر کمتر از حد مطلوب بودن را دارد.
من قبلاً چند وقت پیش در اینجا توضیح دادم که پنج سال پیش وقتی اولین بار شنیدم که همکارم فرانکو بِدِسکی طرحی را که برای آشکارساز آینده ای که در برخورددهنده الکترون-پوزیترون با انرژی بالاتر در طول جلسه INFN در هیئت مدیره INFN کار می کند توصیف می کند، از ناهماهنگی شناختی شدید رنج بردم. کمیسیون 1″ در کاتانیا. فرانکو علاوه بر اینکه یک همکار و دوست بسیار محترم است، یکی از حداکثر متخصصان ما در زمینه آشکارسازهای ذرات است، اما زمانی که چنین ماشینی در نهایت ساخته شود، بازنشسته خواهد شد. در کاتانیا، زمانی که ایده هایش را جمع می کرد، هیچ توجهی به فیل اتاق – هوش مصنوعی – نداشت.
این همان چیزی است که می گویم “از قبل حرکت کن.” این یک شکل بیانی مجازی، اگر تا حدودی ساینده است: من واقعاً نمی‌خواهم فرانکو یا هم‌عصرانش حرکت کنند. در عوض، من می خواهم آنها تا حد امکان توجه کنند و سپس برخی از آنها به این اطمینان حاصل کنند که طراحی آشکارسازهای آینده واقعاً درست است. طراحی مشترک آشکارسازها و نرم افزارها
منتظر چی؟ آیا من آخرین سطرهای بی شمار متن را صرف این موضوع نکرده ام که ما قادر به پیش بینی آینده قابلیت های نرم افزاری خود نیستیم؟ پس چرا اکنون می خواهم نرم افزار فعلی را وارد خط لوله کنم؟
من نگفتم “فعلا”، نه؟ در واقع، من استدلال می‌کنم که در هنگام ایجاد خط لوله مدل‌سازی پارامترهای آشکارساز، فعل و انفعالات ذرات، و استخراج اطلاعات از قرائت‌های آشکارساز، عملکرد بسیار خوبی برای بازسازی ابزارهای نرم‌افزاری خود را فرض کنیم. سپس می‌توان از چنین خط لوله‌ای برای بهینه‌سازی پارامترهای آشکارساز به‌صورت سرتاسری استفاده کرد تا کشف کند که چه راه‌حل‌های طراحی به طور بالقوه اجازه عملکرد بالاتر را می‌دهد (همانطور که با دقت نتایج نهایی اندازه‌گیری می‌شود، مانند «بالاترین محدوده کشف برای فیزیک جدید» برای مثال، اگر در حال ساخت آشکارساز برای یک برخورددهنده با انرژی بالا در آینده هستیم. سپس فرآیند تخریب کامل بازسازی به پیشرفته‌ترین مرحله می‌تواند به زنجیره مدل‌سازی وارد شود تا ارزیابی شود که این طراحی چه تغییراتی را تغییر می‌دهد. ارائه و درک اینکه انتخاب های بهینه شناسایی شده چقدر پایدار هستند.
ممکن است موارد فوق یک روش نسبتاً ساختگی به نظر برسد. مشکل این است که به دلیل پیچیدگی ابزارهای ما، نمی‌توانیم شبیه‌سازی‌های با وفاداری بالا را برای کشف هر نقطه در فضای بابعد انتخاب‌های طراحی اجرا کنیم. در عوض، ما باید اجازه دهیم برخی از روش‌های اسکن خودکار – که با نزول گرادیان، ویژگی‌های یادگیری عمیق هدایت می‌شوند – کار را انجام دهند. این امر مستلزم کاهش دقت مدل‌سازی به نفع کاوش قوی‌تر و عمیق‌تر از فضای پیکربندی است.
به طور خلاصه: طراحی مشترک سخت افزار و نرم افزار و بهینه سازی سرتاسر سیستم های حاصل باید راهی باشد که ما در طراحی آزمایش های آینده خود دنبال می کنیم. این در حال حاضر در کاربردهای صنعتی که منابع تحقیق و توسعه بیشتری در مهندسی نرم افزار وجود دارد انجام می شود. با این حال، این یک هنجار در رشته ما نیست، بیشتر به این دلیل که انجام آن لعنتی سخت است! اما در عوض، باید این کار را به صورت سیستماتیک شروع کنیم. ما مطمئناً به عنوان یک جامعه از کسانی نیستیم که بتوانیم به راحتی در برابر چالش های بزرگ مرعوب شویم!
سهم کوچک من در فراخوان فوق به اسلحه پایه و اساس است همکاری با MODEو مقابله با چند کار بهینه سازی طراحی نه چندان دشوار. و هفته گذشته در EUCAIF ما فعالیت های یکی از پنج گروه کاری را که دقیقاً بر موضوع طراحی مشارکتی برای آزمایش های آینده متمرکز بود آغاز کردیم. من این تلاش را با Pietro Vischia هدایت می کنم و امیدواریم با جامعه خود ارتباط برقرار کنیم و خرس های بالقوه هوش مصنوعی را برای علوم پایه به آنها معرفی کنیم.
من واقعاً امیدوارم که این پیام به گوش برسد، و پس از نوشتن خلاصه فوق، فکر می کنم بتوانم در سخنرانی فردا موضوع را واضح تر بیان کنم.