Kunsmatige intelligensie verhoog die spoed van ontdekkings vir deeltjiefisika

Navorsers by MIT het onlangs getoon dat die gebruik van kunsmatige intelligensie om aspekte van deeltjies en kernfisika-teorieë te simuleer kan lei tot vinniger algoritmes, en dus vinniger ontdekkings wanneer dit kom by teoretiese fisika. Die MIT-navorsingspan het teoretiese fisika met KI gekombineer modelle om die skepping van monsters te versnel wat interaksies tussen neutrone, protone en kerne simuleer.

Daar is vier fundamentele kragte wat die heelal beheer: swaartekrag, elektromagnetisme, die swak krag en die sterk krag. Die sterk, swak en elektromagnetiese kragte word deur deeltjiefisika bestudeer. Die tradisionele metode om deeltjie-interaksies te bestudeer vereis dat numeriese simulasies van hierdie interaksies tussen deeltjies uitgevoer word, wat tipies plaasvind by 1/10de of 1/100ste van die grootte van 'n proton. Hierdie studies kan 'n lang tyd neem om te voltooi as gevolg van beperkte rekenaarkrag, en daar is baie probleme wat fisici weet hoe om in teorie aan te pak, maar tog nie genoemde berekeningsbeperkings kan aanspreek nie.

Phiala Shanahan, professor in Fisika, is die hoof van 'n navorsingsgroep wat masjienleermodelle gebruik om nuwe algoritmes te skep wat partikelfisikastudies kan bespoedig. Die simmetrieë wat binne fisika-teorieë gevind word (kenmerke van die fisiese stelsel wat konstant bly selfs as toestande verander) kan in masjienleeralgoritmes geïnkorporeer word om algoritmes te produseer wat meer geskik is vir partikelfisikastudies. Shanahan het verduidelik dat die masjienleermodelle nie gebruik word om groot hoeveelhede data te verwerk nie, eerder om deeltjiesimmetrieë te integreer, en die insluiting van hierdie eienskappe in 'n model beteken dat berekeninge vinniger gedoen kan word.

Die navorsingsprojek is gelei deur Shanahan en dit sluit verskeie lede van die Teoretiese Fisika-span by NYU in, sowel as masjienleer-navorsers van Google DeepMind. Die onlangse studie is net een van 'n reeks deurlopende en onlangs voltooide studies wat daarop gemik is om die krag van masjienleer te benut om teoretiese fisikaprobleme op te los wat tans onmoontlik is met moderne berekeningskemas. Volgens die MIT-gegradueerde student Gurtej Kanwar, sal die probleme wat die algoritmes wat deur masjienleer versterk word probeer oplos, wetenskaplikes help om meer oor deeltjiefisika te verstaan, en dit is nuttig om vergelykings te tref met resultate wat verkry word deur grootskaalse deeltjiefisika-eksperimente (soos dié uitgevoer by CERN se Large Hadron Collider). Deur die resultate van die grootskaalse eksperimente met die KI-algoritmes te vergelyk, kan wetenskaplikes 'n beter idee kry van hoe hul fisikamodelle beperk moet word, en wanneer daardie modelle breek.

Tans is die enigste metode wat wetenskaplikes betroubaar kan gebruik om die Standaardmodel van partikelfisika te ondersoek, een waar monsters/kiekies geneem word van skommelinge wat in 'n vakuum voorkom. Navorsers kan insig kry in die eienskappe van die deeltjies en wat gebeur wanneer daardie deeltjies bots. Die neem van monsters soos hierdie is egter duur en daar word gehoop dat KI-tegnieke die neem van monsters 'n goedkoper, doeltreffender proses kan maak. Die foto's wat van die vakuum geneem word, kan baie soos beeldopleidingsdata in 'n rekenaarvisie-KI-model gebruik word. Die kwantumfoto's word gebruik om 'n model op te lei wat monsters op 'n baie meer doeltreffende manier kan skep, bewerkstellig deur monsters te neem in 'n maklik-om-steekproefruimte en die monsters deur die opgeleide model te laat loop.

Die navorsing het 'n raamwerk geskep wat bedoel is om die proses van die skep van masjienleermodelle te stroomlyn gebaseer op fisika-simmetrieë. Die raamwerk is reeds toegepas op eenvoudiger fisika-probleme en die navorsingspan poog nou om hul benadering om met voorpuntberekeninge te werk, op te skaal. Soos Kanwar via Phys.org verduidelik het:

“Ek dink ons ​​het die afgelope jaar gewys dat daar baie belofte is om fisikakennis met masjienleertegnieke te kombineer. Ons dink aktief na oor hoe om die oorblywende hindernisse aan te pak in die manier om volskaalse simulasies uit te voer deur ons benadering te gebruik. Ek hoop om in die volgende paar jaar die eerste toepassing van hierdie metodes op berekeninge op skaal te sien.”