La Inteligencia Artificial Mejora la Velocidad de los Descubrimientos en Física de Partículas

Investigadores del MIT han demostrado recientemente que utilizar la inteligencia artificial para simular aspectos de partículas y teorías de física nuclear puede llevar a algoritmos más rápidos, y por lo tanto a descubrimientos más rápidos en cuanto a física teórica. El equipo de investigación del MIT combinó la física teórica con modelos de inteligencia artificial para acelerar la creación de muestras que simulan interacciones entre neutrones, protones y núcleos.

Hay cuatro fuerzas fundamentales que gobiernan el universo: la gravedad, el electromagnetismo, la fuerza débil y la fuerza fuerte. La fuerza fuerte, la fuerza débil y la fuerza electromagnética se estudian a través de la física de partículas. El método tradicional de estudiar las interacciones de partículas requiere ejecutar simulaciones numéricas de estas interacciones entre partículas, que generalmente tienen lugar a 1/10 o 1/100 del tamaño de un protón. Estos estudios pueden tardar mucho en completarse debido a la limitada potencia de cálculo, y hay muchos problemas que los físicos saben cómo abordar en teoría, pero no pueden abordar debido a las limitaciones computacionales.

El profesor de Física del MIT, Phiala Shanahan, es el jefe de un grupo de investigación que utiliza modelos de aprendizaje automático para crear nuevos algoritmos que pueden acelerar los estudios de física de partículas. Las simetrías encontradas en las teorías de física (características del sistema físico que permanecen constantes incluso cuando cambian las condiciones) se pueden incorporar en algoritmos de aprendizaje automático para producir algoritmos más adecuados para los estudios de física de partículas. Shanahan explicó que los modelos de aprendizaje automático no se utilizan para procesar grandes cantidades de datos, sino que se utilizan para integrar simetrías de partículas, y la inclusión de estos atributos en un modelo significa que los cálculos se pueden realizar más rápidamente.

El proyecto de investigación fue liderado por Shanahan y cuenta con varios miembros del equipo de Física Teórica de la Universidad de Nueva York, así como investigadores de aprendizaje automático de Google DeepMind. El estudio reciente es solo uno de una serie de estudios en curso y recientemente completados que tienen como objetivo aprovechar el poder del aprendizaje automático para resolver problemas de física teórica que actualmente son imposibles con los esquemas de cálculo modernos. Según el estudiante de posgrado del MIT, Gurtej Kanwar, los problemas que los algoritmos mejorados con aprendizaje automático están tratando de resolver ayudarán a los científicos a entender más sobre la física de partículas, y son útiles para hacer comparaciones con los resultados derivados de experimentos de física de partículas a gran escala (como los realizados en el Gran Colisionador de Hadrones del CERN). Al comparar los resultados de los experimentos a gran escala con los algoritmos de inteligencia artificial, los científicos pueden obtener una mejor idea de cómo deben limitar sus modelos de física, y cuándo esos modelos se rompen.

Actualmente, el único método que los científicos pueden utilizar de manera fiable para investigar el Modelo Estándar de física de partículas es uno en el que se toman muestras o instantáneas de las fluctuaciones que ocurren en un vacío. Los investigadores pueden obtener información sobre las propiedades de las partículas y lo que sucede cuando esas partículas chocan. Sin embargo, tomar muestras de esta manera es costoso y se espera que las técnicas de inteligencia artificial puedan hacer que tomar muestras sea un proceso más barato y eficiente. Las instantáneas tomadas del vacío se pueden utilizar de manera similar a los datos de entrenamiento de imagen en un modelo de visión por computadora de inteligencia artificial. Las instantáneas cuánticas se utilizan para entrenar un modelo que puede crear muestras de manera más eficiente, lo que se logra tomando muestras en un espacio fácil de muestrear y ejecutando las muestras a través del modelo entrenado.

La investigación ha creado un marco destinado a simplificar el proceso de creación de modelos de aprendizaje automático basados en simetrías de física. El marco ya se ha aplicado a problemas de física más simples y el equipo de investigación ahora está tratando de ampliar su enfoque para que funcione con cálculos de vanguardia. Como explicó Kanwar a través de Phys.org:

“Creo que hemos demostrado en el último año que hay mucho potencial en la combinación de conocimientos de física con técnicas de inteligencia artificial. Estamos pensando activamente en cómo abordar las barreras restantes que impiden realizar simulaciones a gran escala utilizando nuestro enfoque. Espero ver la primera aplicación de estos métodos a cálculos a gran escala en los próximos dos años”.