Künstliche Intelligenz erhöht die Geschwindigkeit von Entdeckungen in der Teilchenphysik

Forscher am MIT haben kürzlich gezeigt, dass die Verwendung künstlicher Intelligenz, um Aspekte von Teilchen und Kernphysiktheorien zu simulieren, zu schnelleren Algorithmen und daher zu schnelleren Entdeckungen in der theoretischen Physik führen kann. Das MIT-Forschungsteam kombinierte theoretische Physik mit AI-Modellen, um die Erstellung von Proben zu beschleunigen, die Wechselwirkungen zwischen Neutronen, Protonen und Kernen simulieren.

Es gibt vier fundamentale Kräfte, die das Universum beherrschen: Schwerkraft, Elektromagnetismus, schwache Kraft und starke Kraft. Die starken, schwachen und elektromagnetischen Kräfte werden durch Teilchenphysik studiert. Die traditionelle Methode, Teilchenwechselwirkungen zu studieren, erfordert die Durchführung numerischer Simulationen dieser Wechselwirkungen zwischen Teilchen, die normalerweise bei 1/10 oder 1/100 der Größe eines Protons stattfinden. Diese Studien können aufgrund begrenzter Rechenleistung lange dauern, und es gibt viele Probleme, die Physiker theoretisch angehen können, aber aufgrund computertechnischer Einschränkungen nicht angehen können.

Der Physikprofessor Phiala Shanahan von MIT leitet eine Forschungsgruppe, die Machine-Learning-Modelle verwendet, um neue Algorithmen zu erstellen, die Teilchenphysikstudien beschleunigen können. Die Symmetrien, die in Physiktheorien gefunden werden (Eigenschaften des physikalischen Systems, die auch dann konstant bleiben, wenn sich die Bedingungen ändern), können in Machine-Learning-Algorithmen integriert werden, um Algorithmen zu erstellen, die besser für Teilchenphysikstudien geeignet sind. Shanahan erklärte, dass die Machine-Learning-Modelle nicht verwendet werden, um große Mengen an Daten zu verarbeiten, sondern um Teilchensymmetrien zu integrieren, und dass die Einbeziehung dieser Eigenschaften in ein Modell bedeutet, dass Berechnungen schneller durchgeführt werden können.

Das Forschungsprojekt wurde von Shanahan geleitet und umfasst mehrere Mitglieder des Theoretical Physics-Teams an der NYU sowie Machine-Learning-Forscher von Google DeepMind. Die kürzliche Studie ist nur eine von einer Reihe laufender und kürzlich abgeschlossener Studien, die darauf abzielen, die Macht des Machine Learning zu nutzen, um theoretische Physikprobleme zu lösen, die derzeit mit modernen Rechenverfahren unmöglich sind. Laut dem MIT-Absolventen Gurtej Kanwar werden die Probleme, die die machine-learning-basierten Algorithmen zu lösen versuchen, den Wissenschaftlern helfen, mehr über Teilchenphysik zu erfahren, und sie sind nützlich, um Vergleiche mit Ergebnissen anzustellen, die durch groß angelegte Teilchenphysik-Experimente (wie die am CERN-Large-Hadron-Collider durchgeführten) gewonnen wurden. Durch den Vergleich der Ergebnisse der groß angelegten Experimente mit den AI-Algorithmen können Wissenschaftler eine bessere Vorstellung davon bekommen, wie ihre Physikmodelle eingeschränkt werden sollten und wann diese Modelle zusammenbrechen.

Aktuell ist die einzige Methode, die Wissenschaftler zuverlässig verwenden können, um das Standardmodell der Teilchenphysik zu untersuchen, eine, bei der Proben/Aufnahmen von Fluktuationen in einem Vakuum entnommen werden. Forscher können Einblicke in die Eigenschaften der Teilchen und das, was passiert, wenn diese Teilchen kollidieren, gewinnen. Allerdings ist das Entnehmen solcher Proben teuer, und es wird gehofft, dass AI-Techniken das Entnehmen von Proben zu einem billigeren und effizienteren Prozess machen können. Die Aufnahmen des Vakuums können ähnlich wie Bilddaten in einem Computer-Vision-AI-Modell verwendet werden. Die Quantenaufnahmen werden verwendet, um ein Modell zu trainieren, das Proben auf eine viel effizientere Weise erstellen kann, indem es Proben in einem leicht zu probierenden Raum entnimmt und die Proben durch das trainierte Modell läuft.

Die Forschung hat einen Rahmen geschaffen, der darauf abzielt, den Prozess der Erstellung von Machine-Learning-Modellen auf der Grundlage von Physiksymmetrien zu rationalisieren. Der Rahmen wurde bereits auf einfachere Physikprobleme angewendet, und das Forschungsteam versucht nun, ihren Ansatz auf hochmoderne Berechnungen zu skalieren. Wie Kanwar über Phys.org erklärte:

„Ich denke, wir haben in den letzten Jahren gezeigt, dass es vielversprechend ist, Physikwissen mit Machine-Learning-Techniken zu kombinieren. Wir denken aktiv darüber nach, wie wir die verbleibenden Barrieren auf dem Weg zu vollständigen Simulationen mit unserem Ansatz überwinden können. Ich hoffe, in den nächsten paar Jahren die erste Anwendung dieser Methoden auf Berechnungen im großen Maßstab zu sehen.”