Deep Learning in der Teilchenphysik: Eine philosophische Analyse

• Antragsteller: Martin King, Ph.D.
• Fachliche Zuordnung: Theoretische Philosophie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 507919469

Das Ausbleiben neuer physikalischer Entdeckungen am LHC hatte dramatische Auswirkungen auf die Bemühungen der Teilchenphysikgemeinschaft. Sowohl die Vorhersagen des Standardmodells (SM), wie z. B. die Existenz des Higgs-Bosons, als auch die Vorhersagen von Modellen der Physik jenseits des Standardmodells (BSM) haben den Kurs der Teilchenphysikforschung in den letzten Jahrzehnten stark bestimmt. Aufgrund des Mangels an neuen Entdeckungen wird der Top-down-Ansatz der Hypothesenprüfung jedoch nicht mehr als so vielversprechend angesehen wie früher. Stattdessen erhoffen sich viele Physiker einen Bottom-up-Ansatz, der ihnen Hinweise darauf gibt, wo neue physikalische Erkenntnisse lauern könnten. Dieser Wandel in der Methodik bietet die Gelegenheit, die philosophischen Auswirkungen der großen Veränderungen zu untersuchen, die dies mit sich bringt, einschließlich der Neubewertung lang gehegter Leitprinzipien wie der Natürlichkeit und der Zunahme modellunabhängiger Ansätze wie der Verwendung des maschinellen Lernens (ML). Dieses Projekt besteht aus zwei großen Teilprojekten. Das eine wird den methodischen Wandel in der Hochenergiephysik charakterisieren, einschließlich der Zunahme der SM-Präzisionsmessungen, der Verwendung des Rahmens der effektiven Feldtheorie des SM und der zunehmenden Verwendung von unüberwachten tiefen neuronalen Netzen (DNN). Ohne dramatische Energieerhöhungen müssen Physiker kreativ sein, wenn sie Entdeckungen oder Anomalien in vorhandenen Daten finden wollen. Deep Learning (DL) ist für diese Art von Suche besonders gut geeignet. Die Hochenergiephysik eignet sich hervorragend als Fallstudie für DL, da sie gerade erst beginnt, philosophisch behandelt zu werden, und sie ist in vielerlei Hinsicht einzigartig:Die Experimente sind quantenphysikalischer Natur, was die Etikettierungspraktiken von Klassifikatoren vor Herausforderungen stellt; sie stellt sehr hohe Anforderungen an die erforderliche Präzision und die Zeitsensitivität der Ergebnisse, was die neuesten Techniken auf die Probe stellt; und der Bereich ist bereits mit den besten Werkzeugen und Techniken für Simulationen ausgestattet und verfügt über unglaubliche Mengen an hochwertigen Trainingsdaten. Die Fallstudie ist somit eine ausgezeichnete Gelegenheit, philosophische Einsichten in die folgenden Fragen über DL zu gewinnen: -Ist die starke Datenorientierung und der Induktivismus, die in diesen modellunabhängigen Ansätzen angestrebt werden, möglich und ist sie in der Lage, neue physikalische Erkenntnisse zu gewinnen?- Gibt es Vorteile des unüberwachten Lernens, und sagt uns das etwas über die Rolle der physikalischen Argumentation und der Leitprinzipien?- Kann die philosophische Literatur zur Erklärung Einblicke in die Suche nach erklärbarer KI geben?- Sagen uns die vielen Schritte in der Datenpipeline von der Wahl der Architektur und der Datenerfassung bis hin zur abschließenden Analyse etwas über die Natur der wissenschaftlichen Darstellung und des Verstehens?

• DFG-Verfahren: Sachbeihilfen