Tekoäly nopeuttaa hiukkasfysiikan löytöjä

MIT:n tutkijat ovat äskettäin osoittaneet, että tekoälyn käyttäminen hiukkasten ja ydinfysiikan teorioiden simulointiin voi johtaa nopeampiin algoritmeihin ja siten nopeampiin löytöihin teoreettisen fysiikan osalta. MIT:n tutkimusryhmä yhdisti teoreettisen fysiikan tekoälyyn malleja, jotka nopeuttavat neutronien, protonien ja ytimien välistä vuorovaikutusta simuloivien näytteiden luomista.

Universumia hallitsee neljä perusvoimaa: painovoima, sähkömagnetismi, heikko voima ja vahva voima. Vahvoja, heikkoja ja sähkömagneettisia voimia tutkitaan hiukkasfysiikan avulla. Perinteinen menetelmä hiukkasten vuorovaikutusten tutkimiseksi edellyttää numeeristen simulaatioiden suorittamista näistä hiukkasten välisistä vuorovaikutuksista, jotka tapahtuvat tyypillisesti 1/10 tai 1/100 protonin koosta. Näiden tutkimusten valmistuminen voi kestää pitkään rajoitetun laskentatehon vuoksi, ja on monia ongelmia, joita fyysikot tietävät teoriassa, mutta eivät pysty käsittelemään mainittuja laskennallisia rajoituksia.

MIT:n fysiikan professori Phiala Shanahan johtaa tutkimusryhmää, joka käyttää koneoppimismalleja luodakseen uusia algoritmeja, jotka voivat nopeuttaa hiukkasfysiikan tutkimuksia. Fysiikan teorioissa löydetyt symmetriat (fysikaalisen järjestelmän ominaisuudet, jotka pysyvät vakioina olosuhteiden muuttuessa) voidaan sisällyttää koneoppimisalgoritmeihin, jotta saadaan aikaan hiukkasfysiikan tutkimuksiin paremmin soveltuvia algoritmeja. Shanahan selitti, että koneoppimismalleja ei käytetä suurten tietomäärien käsittelyyn, vaan niitä käytetään hiukkassymmetrioiden integrointiin, ja näiden attribuuttien sisällyttäminen malliin tarkoittaa, että laskelmat voidaan tehdä nopeammin.

Tutkimusprojektia johti Shanahan, ja siihen kuuluu useita NYU:n teoreettisen fysiikan tiimin jäseniä sekä Google DeepMindin koneoppimisen tutkijoita. Tuore tutkimus on vain yksi sarjasta käynnissä olevia ja äskettäin valmistuneita tutkimuksia, joiden tarkoituksena on hyödyntää koneoppimisen tehoa sellaisten teoreettisten fysiikan ongelmien ratkaisemiseksi, jotka ovat tällä hetkellä mahdottomia nykyaikaisilla laskentakaavioilla. MIT:n jatko-opiskelija Gurtej Kanwarin mukaan ongelmat, joita koneoppimiseen tehostetut algoritmit yrittävät ratkaista, auttavat tutkijoita ymmärtämään enemmän hiukkasfysiikasta, ja ne ovat hyödyllisiä vertailtaessa tuloksia, jotka on saatu laajamittainen hiukkasfysiikan kokeista (kuten ne). suoritettiin CERNin suuressa hadronitörmäyttimessä). Vertaamalla laajamittaisten kokeiden tuloksia tekoälyalgoritmeihin tutkijat voivat saada paremman käsityksen siitä, kuinka heidän fysiikan mallejaan tulisi rajoittaa ja milloin mallit hajoavat.

Tällä hetkellä ainoa menetelmä, jota tiedemiehet voivat luotettavasti käyttää hiukkasfysiikan vakiomallin tutkimiseen, on sellainen, jossa otetaan näytteitä/tilannekuvia tyhjiössä tapahtuvista vaihteluista. Tutkijat voivat saada käsityksen hiukkasten ominaisuuksista ja siitä, mitä tapahtuu, kun hiukkaset törmäävät. Tällaisten näytteiden ottaminen on kuitenkin kallista, ja AI-tekniikoiden toivotaan voivan tehdä näytteiden ottamisesta halvempaa ja tehokkaampaa prosessia. Tyhjiöstä otettuja tilannekuvia voidaan käyttää aivan kuten kuvaharjoitusdataa tietokonenäön tekoälymallissa. Kvanttikuvia käytetään mallin kouluttamiseen, joka pystyy luomaan näytteitä paljon tehokkaammalla tavalla, mikä saadaan aikaan ottamalla näytteitä helposti näytetilasta ja ajamalla näytteet koulutetun mallin läpi.

Tutkimus on luonut viitekehyksen, jonka tarkoituksena on virtaviivaistaa fysiikan symmetrioihin perustuvien koneoppimismallien luomisprosessia. Viitekehystä on jo sovellettu yksinkertaisempiin fysiikan ongelmiin, ja tutkimusryhmä yrittää nyt laajentaa lähestymistapaansa työskennelläkseen huippuluokan laskelmilla. Kuten Kanwar selitti Phys.orgin kautta:

”Mielestäni olemme osoittaneet viimeisen vuoden aikana, että fysiikan tiedon yhdistäminen koneoppimistekniikoihin on lupaavaa. Pohdimme aktiivisesti, kuinka voimme ratkaista jäljellä olevat esteet täyden mittakaavan simulaatioiden suorittamisessa lähestymistapaamme käyttämällä. Toivon, että näitä menetelmiä sovelletaan ensimmäistä kertaa mittakaavassa laskelmiin seuraavien parin vuoden aikana.