Umělá inteligence zvyšuje rychlost objevů v částicové fyzice

Výzkumníci z MIT nedávno prokázali, že využití umělé inteligence k simulaci aspektů částic a jaderné fyziky může vést k rychlejším algoritmům a tedy i rychlejším objevům v teoretické fyzice. Tým výzkumníků z MIT kombinoval teoretickou fyziku s modely umělé inteligence za účelem urychlení vytváření vzorků, které simulují interakce mezi neutrony, protony a jádry.

Existují čtyři základní síly, které řídí vesmír: gravitace, elektromagnetismus, slabá síla a silná síla. Silná, slabá a elektromagnetická síla jsou studovány v rámci částicové fyziky. Tradiční metoda studia interakcí částic vyžaduje běh numerických simulací těchto interakcí mezi částicemi, obvykle se odehrávajících na 1/10 nebo 1/100 velikosti protonu. Tyto studie mohou trvat dlouho kvůli omezené výpočetní síle a existuje mnoho problémů, které fyzikové znají, jak řešit teoreticky, ale nemohou je řešit kvůli výpočetním omezením.

Profesor fyziky na MIT Phiala Shanahan je vedoucí výzkumné skupiny, která používá modely strojového učení k vytváření nových algoritmů, které mohou urychlit studium částicové fyziky. Symetrie nalezené v fyzikálních teoriích (charakteristiky fyzikálního systému, které zůstávají konstantní i při změně podmínek) mohou být začleněny do modelů strojového učení, aby se vytvořily algoritmy lépe přizpůsobené studiu částicové fyziky. Shanahan vysvětlil, že modely strojového učení nejsou používány ke zpracování velkých množství dat, ale k integraci symetrií částic a zahrnutí těchto atributů do modelu znamená, že výpočty lze provádět rychleji.

Výzkumný projekt vedl Shanahan a zahrnoval několik členů teoretického fyzikálního týmu z NYU a také výzkumníky z Google DeepMind. Nedávná studie je pouze jednou z řady probíhajících a nedávno dokončených studií, jejichž cílem je využít sílu strojového učení k řešení teoretických fyzikálních problémů, které jsou v současné době nemožné řešit pomocí moderních výpočetních schémat. Podle studenta MIT Gurteje Kanwara problémy, které se snaží algoritmy posílené strojovým učením řešit, pomohou vědcům lépe porozumět částicové fyzice a jsou užitečné pro srovnání výsledků získaných z velkých experimentů částicové fyziky (jako těch, které se provádějí v CERNově Velkém hadronovém urychlovači). Srovnáním výsledků velkých experimentů s algoritmy umělé inteligence mohou vědci získat lepší představu o tom, jak by měly být jejich fyzikální modely omezeny a kdy tyto modely selhávají.

V současné době je jediným spolehlivým způsobem, jakým vědci mohou zkoumat Standardní model částicové fyziky, metoda, při které se odebírají vzorky/fluktuace, které se vyskytují ve vakuu. Výzkumníci mohou získat přehled o vlastnostech částic a o tom, co se stane, když tyto částice srážejí. Nicméně, odběr těchto vzorků je drahý a doufá se, že techniky umělé inteligence mohou učinit odběr vzorků levnějším a efektivnějším procesem. Snímky vakua lze použít podobně jako tréninková data pro model počítačového vidění. Kvantové snímky se používají k trénování modelu, který může vytvářet vzorky mnohem efektivněji, a to tak, že se odebírají vzorky v prostoru, který je snadněji vzorkovatelný, a tyto vzorky se poté procházejí prostřednictvím trénovaného modelu.

Výzkum vytvořil rámec, který má za cíl zjednodušit proces vytváření modelů strojového učení na základě fyzikálních symetrií. Tento rámec byl již aplikován na jednodušší fyzikální problémy a výzkumný tým se nyní snaží rozšířit svůj přístup, aby fungoval s nejnovějšími výpočty. Jak vysvětlil Kanwar prostřednictvím Phys.org:

„Domnívám se, že jsme za poslední rok prokázali, že existuje mnoho slibů v kombinaci fyzikálních znalostí se technikami strojového učení. Aktivně zvažujeme, jak překonat zbývající bariéry, které brání provedení plně měřítkových simulací pomocí našeho přístupu. Doufám, že uvidím první aplikaci těchto metod pro výpočty ve velkém měřítku v příštích pár letech.”