Изкуственият интелект увеличава скоростта на откритията за физиката на елементарните частици

Изследователи от Масачузетския технологичен институт наскоро демонстрираха, че използването на изкуствен интелект за симулиране на аспекти на частиците и теориите на ядрената физика може да доведе до по-бързи алгоритми и следователно до по-бързи открития, когато става дума за теоретична физика. Изследователският екип на MIT комбинира теоретична физика с AI модели за ускоряване на създаването на проби, които симулират взаимодействия между неутрони, протони и ядра.

Има четири основни сили, които управляват Вселената: гравитация, електромагнетизъм, слаба сила и силна сила. Силните, слабите и електромагнитните сили се изучават чрез физиката на елементарните частици. Традиционният метод за изследване на взаимодействията на частиците изисква провеждане на числени симулации на тези взаимодействия между частици, обикновено протичащи при 1/10 или 1/100 от размера на протона. Завършването на тези изследвания може да отнеме много време поради ограничената изчислителна мощност и има много проблеми, с които физиците знаят как да се справят на теория, но не могат да се справят с посочените изчислителни ограничения.

Професорът по физика на Масачузетския технологичен институт Фиала Шанахан е ръководител на изследователска група, която използва модели за машинно обучение, за да създаде нови алгоритми, които могат да ускорят изследванията на физиката на частиците. Симетриите, открити във физичните теории (характеристики на физическата система, които остават постоянни дори при промяна на условията) могат да бъдат включени в алгоритми за машинно обучение, за да се създадат алгоритми, по-подходящи за изследвания на физиката на частиците. Шанахан обясни, че моделите за машинно обучение не се използват за обработка на големи количества данни, а по-скоро се използват за интегриране на симетрии на частици и включването на тези атрибути в модел означава, че изчисленията могат да се извършват по-бързо.

Изследователският проект беше ръководен от Шанахан и включва няколко членове на екипа по теоретична физика в Нюйоркския университет, както и изследователи на машинно обучение от Google DeepMind. Неотдавнашното проучване е само едно от поредица от текущи и наскоро завършени проучвания, насочени към използване на силата на машинното обучение за решаване на проблеми на теоретичната физика, които в момента са невъзможни с модерните изчислителни схеми. Според студента от Масачузетския технологичен институт Гуртей Канвар, проблемите, които подсилените с машинно обучение алгоритми се опитват да разрешат, ще помогнат на учените да разберат повече за физиката на частиците и са полезни при правенето на сравнения с резултатите, получени от широкомащабни експерименти по физика на частиците (като тези проведено в Големия адронен колайдер на CERN). Чрез сравняване на резултатите от широкомащабните експерименти с AI алгоритмите учените могат да получат по-добра представа за това как трябва да бъдат ограничени техните физически модели и кога тези модели се развалят.

Понастоящем единственият метод, който учените могат надеждно да използват за изследване на Стандартния модел на физиката на частиците, е този, при който се вземат проби/моментни снимки на флуктуации, възникващи във вакуум. Изследователите могат да получат представа за свойствата на частиците и какво се случва, когато тези частици се сблъскат. Вземането на проби като това обаче е скъпо и се надяваме, че техниките на AI могат да направят вземането на проби по-евтин и по-ефективен процес. Моментните снимки, направени от вакуума, могат да се използват много като данни за обучение на изображения в модел на компютърно зрение AI. Квантовите моментни снимки се използват за обучение на модел, който може да създава проби по много по-ефективен начин, постигнато чрез вземане на проби в лесно за вземане на проби пространство и пускане на пробите през обучения модел.

Изследването създаде рамка, предназначена да рационализира процеса на създаване на модели за машинно обучение, базирани на физични симетрии. Рамката вече е приложена към по-прости физични проблеми и сега изследователският екип се опитва да разшири подхода си за работа с авангардни изчисления. Както Канвар обясни чрез Phys.org:

„Мисля, че през изминалата година показахме, че има много обещания в комбинирането на познания по физика с техники за машинно обучение. Ние активно обмисляме как да се справим с оставащите бариери по пътя на извършването на пълномащабни симулации, използвайки нашия подход. Надявам се да видя първото приложение на тези методи за изчисления в мащаб през следващите няколко години.