Kunstig intelligens øger opdagelseshastigheden for partikelfysik

Forskere ved MIT har for nylig påvist, at brug af kunstig intelligens til at simulere aspekter af partikler og kernefysikteorier kan føre til hurtigere algoritmer og derfor hurtigere opdagelser, når det kommer til teoretisk fysik. MIT-forskerholdet kombinerede teoretisk fysik med kunstig intelligens modeller til at fremskynde skabelsen af ​​prøver, der simulerer interaktioner mellem neutroner, protoner og kerner.

Der er fire grundlæggende kræfter, der styrer universet: tyngdekraften, elektromagnetisme, den svage kraft og den stærke kraft. De stærke, svage og elektromagnetiske kræfter studeres gennem partikelfysik. Den traditionelle metode til at studere partikelinteraktioner kræver at køre numeriske simuleringer af disse interaktioner mellem partikler, der typisk finder sted ved 1/10 eller 1/100 af en protons størrelse. Disse undersøgelser kan tage lang tid at gennemføre på grund af begrænset computerkraft, og der er mange problemer, som fysikere ved, hvordan de skal tackle i teorien, men alligevel ikke kan løse de nævnte beregningsmæssige begrænsninger.

Phiala Shanahan, professor i fysik ved MIT, er leder af en forskningsgruppe, der bruger maskinlæringsmodeller til at skabe nye algoritmer, der kan fremskynde partikelfysikstudier. De symmetrier, der findes inden for fysikteorier (egenskaber i det fysiske system, der forbliver konstante, selvom forholdene ændrer sig) kan inkorporeres i maskinlæringsalgoritmer for at producere algoritmer, der er mere velegnede til partikelfysikstudier. Shanahan forklarede, at maskinlæringsmodellerne ikke bliver brugt til at behandle store mængder data, snarere bliver de brugt til at integrere partikelsymmetrier, og inkluderingen af ​​disse attributter i en model betyder, at beregninger kan udføres hurtigere.

Forskningsprojektet blev ledet af Shanahan, og det omfatter flere medlemmer af Teoretical Physics-teamet på NYU samt maskinlæringsforskere fra Google DeepMind. Den nylige undersøgelse er blot en af ​​en række igangværende og nyligt afsluttede undersøgelser, der har til formål at udnytte kraften ved maskinlæring til at løse teoretiske fysikproblemer, som i øjeblikket er umulige med moderne beregningsskemaer. Ifølge MIT kandidatstuderende Gurtej Kanwar vil problemerne, som de maskinlæringsforstærkede algoritmer forsøger at løse, hjælpe videnskabsmænd til at forstå mere om partikelfysik, og de er nyttige til at sammenligne med resultater afledt af store partikelfysiske eksperimenter (som de udført ved CERN's Large Hadron Collider). Ved at sammenligne resultaterne af de store eksperimenter med AI-algoritmerne kan forskerne få en bedre idé om, hvordan deres fysikmodeller skal begrænses, og hvornår disse modeller går i stykker.

I øjeblikket er den eneste metode, som forskere pålideligt kan bruge til at undersøge standardmodellen for partikelfysik, en, hvor der tages prøver/snapshots af udsving, der forekommer i et vakuum. Forskere kan få indsigt i partiklernes egenskaber, og hvad der sker, når disse partikler kolliderer. Det er dog dyrt at tage prøver som denne, og det er håbet, at AI-teknikker kan gøre udtagning af prøver til en billigere og mere effektiv proces. Snapshots taget af vakuumet kan bruges meget som billedtræningsdata i en computervision AI-model. Kvantesnapshots bruges til at træne en model, der kan skabe prøver på en meget mere effektiv måde, opnået ved at tage prøver i et let-at-prøverum og køre prøverne gennem den trænede model.

Forskningen har skabt en ramme beregnet til at strømline processen med at skabe maskinlæringsmodeller baseret på fysiksymmetrier. Rammen er allerede blevet anvendt på enklere fysikproblemer, og forskerholdet forsøger nu at opskalere deres tilgang til at arbejde med banebrydende beregninger. Som Kanwar forklarede via Phys.org:

"Jeg synes, vi har vist i løbet af det seneste år, at der er meget lovende i at kombinere fysikviden med maskinlæringsteknikker. Vi overvejer aktivt, hvordan vi kan tackle de resterende barrierer i måden at udføre fuldskala-simuleringer ved hjælp af vores tilgang. Jeg håber at se den første anvendelse af disse metoder til beregninger i stor skala i løbet af de næste par år."