物理学家开始利用Deeweakes的力量

生成性对抗网络(deepfakes背后的人工智能)正在物理学领域找到一个归宿。

最着名的(IN)由于他们创造德国的能力,生成的对抗网络(GANS)是用于创建令人难以置信的逼真模拟数据的机器学习工具。

虽然这种能力可以用来让一个政治人物或名人表现出你想说什么就说什么,但它可以对各种数据发挥神奇的作用——不仅仅是视频。

现在,物理学家转向Gans突破遏制科学的障碍。

我们正从深度伪造走向深度物理。

伪造者与检查员

生成的对抗网络几乎是不言自明的:它们通过点击网络彼此来生成数据。

Sharon Zhou是一位深赝品专家,也是斯坦福大学和Coursera的讲师,她告诉我想象一个艺术品伪造者和一个艺术品检查员。

当然,伪身者试图制作无价的艺术品的完美副本。检查员看到真实的艺术和伪造的模仿,并且必须猜测哪个是基于一些关于真正作品的基本规则的基本规则。

根据检查员的判断,备用者回去磨练它的工作。

“艺术伪造者意识到”哦,你认为这个看起来是现实的?“”周说。“”我要继续画画,直到它看起来像()mona lisa。'“

通过使两个网络相互对立,GAN使每个模拟输出变得更加逼真,以至于检查员也在不断磨练其输出的真假知识,无法区分它们。

最终结果是模拟产品 - 无论是它的汤姆克鲁斯,或者两个原子碰撞在一起的爆炸性结果——这是尽可能真实的(至少,与我们训练GAN的任何真实数据一样好)。

你可以让检查员执行的规则越好——猫必须有两只耳朵和一条尾巴;汤姆·克鲁斯有一双绿色的眼睛;一个电子不会以那种特定的方式飞行——最终的结果会越紧密,越真实。

这是这里的物理有一个很好的内置优势:自然界的既定规则,有助于确保伪造者没有做出一些不可能的事情。

物理限制

在大多数粒子物理实验的背后,有一个非常简单的想法:围绕着对撞机旋转粒子,直到它们,碰撞,并检测生成的TrainWreck的飞行碎片。分析这些结果将为您提供有关我们已经知道的事情的大量数据 - 也许我们没有。

It’s those mysterious unknowns that researchers are interested in. The subatomic events we’re talking about take place at well beyond Sonic the Hedgehog speeds, and because the data is complex and tough to interpret, researchers turn to simulations to make sense of what they saw.

欧洲核子研究中心的物理学家毛里齐奥·皮耶里尼说:“我们的数据分析依赖于我们拥有的完整实验的模拟软件。”。

Pierini说,模拟器相当准确,但“相当慢”

这在分析他们收集的大量数据时造成了瓶颈,这证明了成本高昂,因为时间、计算机处理能力和数据存储占用了大量资源。

大型特罗龙撞机(LHC)也定于升级;使用这个更强大的工具,(嗯)研究的身体局限性将获得更多的压力。

皮耶里尼说:“基本上,模拟碰撞的计算需要过多。”我们将无法维持它。”

换句话说,即使我们能够做令人难以置信的实验,我们也无法理解测量结果的含义。

deepfakes背后的技术可能是一个解决方案。

Cern Memicyist Sofia Vallecorsa是使用GAN模拟这些实验的一些输出的组的一部分。与传统模拟相比,甘可以给你带来的结果,很多更快。

“你可以更快地做到这一点50,000倍,”Vallecorsa说。随着这种速度,节省了较少的计算马力;无需存储SIM数据,如果您可以重新制作它,并且能够模拟所有数据所以研究人员可以做出他们所做的事情。

GANs还可能被用来模拟那些在现实中成本太高、难度太大或不切实际的实验。

说你想学习当你打了原子漏洞时会发生什么石墨烯,一种原子厚的碳材料。很明显,在你扔掉你的物理样本之前,你只能打这么多洞,这意味着你不能得到太多的数据。

但是,要研究一块足够大、具有实际意义的石墨烯还是有挑战性的(事实证明,量子力学让它变得棘手)。

生成的对抗网络,就像毕业生凯尔·米尔斯和岩石凯瑟特和物理学家艾萨克的唯一建造的,可能是你的答案。叫Rugan,这个网络可以高档它的模拟(这是rugan的“U”),让您看看在更大的尺度上会发生什么,而无需执行它。

通过培训Rugan对较小的规模实验,研究人员能够模拟一个现实的大规模石墨烯片;本质上,他们深饰了材料。

“这几乎就像超级分辨率一样,”米尔斯说,炸毁和填写数据。

物理学民主化

像所有深度神经网络一样,生成的对抗网络是,在他们的心脏,一个黑匣子。我们知道进去了,我们知道出现了什么 - 我们可以检查它是否有效的答案 - 但我们不知道如何,AI何地到达其答案。

这个黑匣子是令人担忧的导致 - 和推动 - 从更广泛的物理界开始使用GANS。

“我第一次谈论这些事情,我被告知......”你为什么要这样做?你是物理学家;难道你不知道这些东西会把物理学家扔掉吗?“Cern的Vallecorsa说。

但随着更多GAN原型开发 - 并提供更快,准确的结果 - 该领域的对抗立场正在软化,从而与Frehethink发表过的研究人员说。

它有助于物理学有一个令人羡慕的数量的硬性和快速的规则,一个氮化镓的输出可以测试;当它模拟了一些物理上不可能的东西时,研究人员可以分辨出来,将信息反馈给检查员,并确保伪造者下次正确地得到它。

如果这些模拟数据集可以证明足够逼真的人,GAN可能对物理学有一种民主化影响。在一些现成的图形卡上运行甘比购买超级计算机的时间更便宜,更容易打开GaN并从LHC插入数据,而不是击中并自己粉碎原子。

“它可能也为学生开辟了机会,”米尔斯说。

物理学家Freethink表示相信,GANs在该领域的广泛应用还有五年左右的时间。但是,不管科学家是否对黑匣子感到满意,这可能是一种必须的适应,因为运行所有那些老式模拟的马力根本不存在。

“在几年内,我们将被迫接受这种方法,”沃尔斯卡笑了。“一个非常实际的问题。”

下一个
什么是深红色
订阅想得更多伟大的故事