Как работа с данными позволяет делать глубокие открытия

Популярная механикаНаука

Зачем физикам идти в большие данные

На Большом адронном коллайдере совершено много открытий (кроме знаменитой «частицы Бога» – бозона Хиггса). Одним из них стала регистрация неизвестных элементарных частиц – тетракварков. Это удалось благодаря новым методам работы с данными. Андрей Устюжанин, учёный Яндекса, кандидат физико-математических наук, заведующий научно-учебной лабораторией методов анализа больших данных факультета компьютерных наук Высшей школы экономики рассказывает, как работа с данными позволяет делать такие глубокие открытия, и почему ученым пора становиться дата-сайентистами.

Как машинное обучение связано с Большим адронным коллайдером и почему наука и ИТ должны работать сообща

Наука и техника — тесно связанные друг с другом элементы человеческой культуры. Развитие научной мысли, вроде открытия закона Ома и теории относительности, ведёт к техническому прогрессу, а появление новых технологий, в свою очередь, меняет подход к фундаментальной науке.

5406d230cb86e48ba0c30187914da137.jpg
Андрей Устюжанин, учёный Яндекса, кандидат физико-математических наук, заведующий научно-учебной лабораторией методов анализа больших данных факультета компьютерных наук Высшей школы экономики

В истории долго преобладала эмпирическая наука: истина объяснялась через факты и софистические принципы. С Ньютона и Кеплера началась эра теоретической науки, отталкивающейся от законов и доказательств: появлялись новые способы записи и математической проверки закономерностей. Такой подход преобладал вплоть до середины XX века, когда появление компьютеров позволило моделировать законы с гораздо большей точностью и с помощью компьютерной симуляции рассчитывать более сложные системы: биологические, экономические, физические. Но на получение результата уходило много времени и ресурсов.

Развитие вычислительных ресурсов и машинное обучение (ML) существенно продвинули использование компьютерной симуляции в науке. Сейчас мы можем построить нейросеть, которая выучит соответствие входных и выходных параметров и проведёт расчёты с гораздо большей скоростью. Это новая степень свободы для исследователей и совершенно новый подход к науке — data-driven science: взгляд на любое явление через призму данных.

Мы начинаем видеть не процессы или изменения характеристик во времени, а зависимости и параметры, которые мы можем с определенной точностью записать при помощи алгоритмов. Мы даём нейросети возможность наблюдать за физическим объектом, и она предсказывает его поведение и находит описывающие его законы. Это позволяет науке задавать более сложные вопросы. Например, раньше мы могли рассчитать с помощью симуляций, какими свойствами обладает материал с той или иной структурой. Теперь мы можем достаточно точно предсказать, какая структура должна быть у материала с нужными нам параметрами. Решая подобные «обратные» задачи, мы можем найти вещества с принципиально новыми свойствами, которые нельзя получить никакими другими методами ни из полимеров, ни химическими реакциями, например сверхрешетки трехслойного графена, которые обладают высокотемпературной сверхпроводимостью.

Машинное обучение и физика высоких энергий

Авторизуйтесь, чтобы продолжить чтение. Это быстро и бесплатно.

Регистрируясь, я принимаю условия использования

Рекомендуемые статьи

История «Т»: откровенные фото и видео певицы Эльвиры Т в MAXIM! История «Т»: откровенные фото и видео певицы Эльвиры Т в MAXIM!

Певица Эльвира Т согласилась отдать фотографу MAXIM свои колготки для съемок. Но лишь при условии, что в колготках будет она сама.

Maxim
Юрий Кузнецов Юрий Кузнецов

Юрий Кузнецов глазами Дмитрия Быкова

Дилетант
В волокна ткани встроили чипы памяти и датчики температуры В волокна ткани встроили чипы памяти и датчики температуры

Американские инженеры разработали умное волокно

N+1
Стрижки для поврежденных волос: проблему можно замаскировать! Стрижки для поврежденных волос: проблему можно замаскировать!

После очередного окрашивания или завивки ты в ужасе от состояния волос?

Cosmopolitan
«Теперь их ненавидят и гомофобы, и ЛГБТ». Извинения «ВкусВилла» за однополую семью — что это было «Теперь их ненавидят и гомофобы, и ЛГБТ». Извинения «ВкусВилла» за однополую семью — что это было

Были ли у Вкусвилла более элегантные выходы из кризисной ситуации с ЛГБТ семьей?

Inc.
Нурлан Сабуров — о Нурлан Сабуров — о

Главный казах в российском стендапе провел ликбез по юмору образца 2021 года

Esquire
Почему Tinder подсовывает анкеты девушек, которые тебе не нравятся? Почему Tinder подсовывает анкеты девушек, которые тебе не нравятся?

Ученые выяснили, кто виноват в том, что тебе не нравятся анкеты девушек в Tinder

Maxim
Натали Вуд или Наталья Захаренко? Американская актриса с русской душой Натали Вуд или Наталья Захаренко? Американская актриса с русской душой

Самые яркие роли Натали Вуд

Cosmopolitan
Никто никого не ел? Новый взгляд на происхождение ядра Никто никого не ел? Новый взгляд на происхождение ядра

Возникновение эукариот — самое масштабное событие в истории эволюции

Наука и жизнь
Что ждет Robinhood после IPO и почему это важно знать инвесторам Что ждет Robinhood после IPO и почему это важно знать инвесторам

Удастся ли брокеру Robinhood остаться на гребне волны после IPO?

Forbes
Солнечное братство: почему решение Маска купить бизнес у кузенов может дорого ему обойтись Солнечное братство: почему решение Маска купить бизнес у кузенов может дорого ему обойтись

Илону Маску 12 июля придется предстать перед судом по иску акционеров Tesla

Forbes
Почему каланам не холодно в океане: новое исследование Почему каланам не холодно в океане: новое исследование

Оказывается, каланы обладают особым типом метаболизма

National Geographic
Укрощение строптивых Укрощение строптивых

Правда и мифы о фильме «Полосатый рейс», который вышел 60 лет назад

Лиза
Формула успеха: энергия и классные идеи Формула успеха: энергия и классные идеи

Как проходит день блогера-миллионника?

OK!
Почему Мавроди — гений: 30 лет грандиозному мошенничеству Почему Мавроди — гений: 30 лет грандиозному мошенничеству

Мавроди — комбинатор 1990-х, обобравший несколько миллионов людей

Популярная механика
А дома лучше А дома лучше

История любви модели Жени Катавы и ее избранника

Tatler
Тайная суперсила зрения Тайная суперсила зрения

Пять способов повлиять на мозг через глаза

Reminder
5 сюрпризов самого большого «Кадиллака» 5 сюрпризов самого большого «Кадиллака»

Новый Escalade пришел, чтобы править

Maxim
Шимпанзе испугались детеныша-альбиноса и убили его Шимпанзе испугались детеныша-альбиноса и убили его

Шимпанзе восприняли альбиноса как угрозу из-за его необычного внешнего вида

N+1
Анекдот пропагандиста Анекдот пропагандиста

Турецкий султан так никогда и не получил легендарное письмо казаков

Вокруг света
Дети насилия: правдивая история о поиске Дети насилия: правдивая история о поиске

Реальная история о его последствиях насилия

Cosmopolitan
По США распространяется пятнистая фонарница По США распространяется пятнистая фонарница

Инвазивное насекомое распространяется по США

National Geographic
Оригинал или подделка? 6 критериев выбора сумки Michael Kors Оригинал или подделка? 6 критериев выбора сумки Michael Kors

Рассказываем об особенностях аутентичных аксессуаров Michael Kors

Cosmopolitan
«Мне предлагали «Похищение Европы» Серова из Третьяковки»: что скрывают частные коллекции Санкт-Петербурга «Мне предлагали «Похищение Европы» Серова из Третьяковки»: что скрывают частные коллекции Санкт-Петербурга

Коллекционер Владимир Березовский о мире питерских собирателей

Forbes
Чистые помыслы: как выбрать средство для умывания на лето Чистые помыслы: как выбрать средство для умывания на лето

Подбираем оптимальную текстуру для ежедневного ритуала умывания

Esquire
Лед и пламя: история любви Александра Овечкина и Анастасии Шубской Лед и пламя: история любви Александра Овечкина и Анастасии Шубской

Love story Александра Овечкина и Анастасии Шубской

Cosmopolitan
Дело — труба: почему из выхлопной трубы валит черный дым Дело — труба: почему из выхлопной трубы валит черный дым

Почему одни грузовики и автобусы дымят, а другие не выделяются из потока?

Вокруг света
«Вы бедны, потому что неамбициозны»: чему в своих мотивационных речах учит Джек Ма «Вы бедны, потому что неамбициозны»: чему в своих мотивационных речах учит Джек Ма

Джек Ма делится опытом, который берет за основу своих мотивационных речей

Forbes
Как продать все, не имея ничего Как продать все, не имея ничего

Дропшипперы, сервисные партнеры и селлеры. Кто реально продает на маркетплейсах

Эксперт
Полиаморные семьи: альтернативный взгляд на отношения Полиаморные семьи: альтернативный взгляд на отношения

Что такое любовь не для двоих?

Playboy
Открыть в приложении