Kunstig intelligens forbedrer hastigheden af opdagelser i partikelfysik

Forskere på MIT har nylig demonstreret, at brug af kunstig intelligens til at simulere aspekter af partikelfysik og kernefysik kan føre til hurtigere algoritmer og dermed hurtigere opdagelser i teoretisk fysik. MIT-forskningsholdet kombinerede teoretisk fysik med AI-modeller for at accelerere oprettelsen af eksempler, der simulerer interaktioner mellem neutroner, protoner og atomkerner.

Der er fire grundlæggende kræfter, der regulerer universet: tyngdekraft, elektromagnetisme, den svage kraft og den stærke kraft. Den stærke, svage og elektromagnetiske kraft studeres gennem partikelfysik. Den traditionelle metode til at studere partikelinteraktioner kræver numeriske simulationer af disse interaktioner mellem partikler, typisk på en størrelse af 1/10 eller 1/100 af en proton. Disse studier kan tage lang tid at gennemføre på grund af begrænsninger i beregningskraften, og der er mange problemer, som fysikere ved, hvordan de skal tackle i teorien, men ikke kan løse på grund af disse beregningsbegrænsninger.

MIT-fysikprofessoren Phiala Shanahan står i spidsen for en forskningsgruppe, der bruger maskinelæringsmodeller til at oprette nye algoritmer, der kan accelerere partikelfysikstudier. Symmetrierne i fysikteorier (egenskaber ved det fysiske system, der forbliver konstant, selv om betingelserne ændrer sig) kan inkorporeres i maskinelæringsalgoritmer for at producere algoritmer, der er bedre egnet til partikelfysikstudier. Shanahan forklarede, at maskinelæringsmodellerne ikke bruges til at behandle store mængder data, men til at integrere partikelsymmetrier, og at inklusionen af disse egenskaber i en model betyder, at beregninger kan udføres hurtigere.

Forskningsprojektet blev ledet af Shanahan og inkluderer flere medlemmer af den teoretiske fysikgruppe på NYU samt maskinelæringsforskere fra Google DeepMind. Den seneste studie er blot ét af en række igangværende og nyligt afsluttede studier, der har til formål at udnytte kraften af maskinelæring til at løse teoretiske fysikproblemer, der i øjeblikket er umulige med moderne beregningsmetoder. Ifølge MIT-studenten Gurtej Kanwar vil de problemer, som de maskinelæringsforbedrede algoritmer forsøger at løse, hjælpe videnskabsmændene med at forstå mere om partikelfysik og er nyttige til at sammenligne resultater fra store partikelfysik-eksperimenter (som dem, der udføres på CERN’s Large Hadron Collider). Ved at sammenligne resultaterne fra de store eksperimenter med AI-algoritmerne kan videnskabsmændene få en bedre forståelse af, hvordan deres fysikmodeller skal begrænses, og når disse modeller bryder sammen.

I øjeblikket er den eneste metode, som videnskabsmændene kan bruge til at undersøge standardmodellen for partikelfysik, en metode, hvor eksempler/øjebliksskitser tages af fluktuationer, der opstår i en vakuum. Forskere kan få indsigt i egenskaberne hos partiklerne og hvad der sker, når disse partikler kolliderer. Dog er det dyrt at tage disse eksempler, og det håbes, at AI-teknikker kan gøre processen billigere og mere effektiv. Øjebliksskitsene af vakuum kan bruges på samme måde som billedtræningsdata i en computer-vision AI-model. De kvantemekaniske øjebliksskitser bruges til at træne en model, der kan oprette eksempler på en langt mere effektiv måde, hvilket opnås ved at tage eksempler i et let-at-eksemplificere-rum og køre eksemplerne gennem den trænede model.

Forskningen har skabt en ramme, der er designet til at strømline processen med at oprette maskinelæringsmodeller baseret på fysiksymmetrier. Rammen er allerede blevet anvendt på enklere fysikproblemer, og forskningsholdet forsøger nu at skalaere deres tilgang op til at fungere med avancerede beregninger. Som Kanwar forklarede via Phys.org:

“Jeg tror, vi har vist over de sidste år, at der er meget løfte i at kombinere fysikkundskab med maskinelærningsteknikker. Vi tænker aktivt over, hvordan vi kan tackle de resterende barrierer for at udføre fuldskalasimulationer med vores tilgang. Jeg håber at se den første anvendelse af disse metoder til beregninger i stor skala inden for de næste par år.”