Tekoäly Nopeuttaa Fysiikan Tutkimuksia

Tutkijat MIT: ssä ovat vastikään osoittaneet, että tekoälyn käyttäminen hiukkasfysiikan ja ydinvoimateorioiden simuloimiseen voi johtaa nopeampiin algoritmeihin ja siten nopeampiin löytöihin teoreettisessa fysiikassa. MIT-tutkimusryhmä yhdisti teoreettisen fysiikan ja tekoälymallit nopeuttaakseen näytteiden luomista, jotka simuloivat neutronien, protonien ja atomituumien välistä vuorovaikutusta.

Maailmankaikkeutta ohjaavat neljä perusvoimaa: gravitaatio, sähkömagnetismi, heikko voima ja vahva voima. Vahva, heikko ja sähkömagneettinen voima tutkitaan hiukkasfysiikan kautta. Perinteinen menetelmä hiukkasten vuorovaikutuksen tutkimiseen edellyttää numeeristen simulaatioiden suorittamista hiukkasten välillä, yleensä 1/10 tai 1/100 protonin koosta. Nämä tutkimukset voivat kestää pitkään rajoitettujen laskentakapasiteettien vuoksi, ja on monia ongelmia, joita fyysikot tietävät teoreettisesti, mutta eivät voi ratkaista mainittujen laskennallisten rajoitusten vuoksi.

MIT:n fysiikan professori Phiala Shanahan johtaa tutkimusryhmää, joka käyttää tekoälymalliin perustuvia algoritmeja nopeuttaakseen hiukkasfysiikan tutkimuksia. Fysiikan teorioiden symmetriat (järjestelmän ominaisuudet, jotka säilyvät muuttumattomina olotilanteiden muutoksesta huolimatta) voidaan sisällyttää tekoälyalgoritmeihin, jotta voidaan luoda algoritmeja, jotka soveltuvat paremmin hiukkasfysiikan tutkimuksiin. Shanahan selitti, että tekoälymalliin ei käytetä suuria tietomääriä, vaan niitä käytetään hiukkassymmetrioiden yhdistämiseen, ja näiden ominaisuuksien sisällyttäminen malliin mahdollistaa nopeammat laskelmat.

Tutkimushanketta johti Shanahan, ja siihen osallistuivat useat New Yorkin yliopiston teoreettisen fysiikan tiimin jäsenet sekä Google (GOOGL ) DeepMindin tekoälytutkijat. Viimeisin tutkimus on yksi useasta meneillään olevasta ja äskettäin valmistuneista tutkimuksista, joiden tavoitteena on hyödyntää tekoälytekniikkaa teoreettisten fysiikan ongelmien ratkaisemiseen, jotka ovat nykyisten laskentamallien mukaan mahdottomia. MIT:n jatko-opiskelija Gurtej Kanwarin mukaan ongelmat, joihin tekoälyllä tehostetut algoritmit pyrkivät ratkaisemaan, auttavat tutkijoita ymmärtämään enemmän hiukkasfysiikasta, ja ne ovat hyödyllisiä vertaamalla suurten hiukkasfysiikan kokeiden tuloksia (kuten CERNin suuren hadronihimmeittimen kokeissa tehtyjä tutkimuksia). Vertaamalla suurten kokeiden tuloksia tekoälyalgoritmeihin, tutkijat voivat saada paremman käsityksen siitä, miten heidän fysiikkamallejaan tulisi rajoittaa, ja milloin nämä mallit menevät rikki.

Tällä hetkellä ainoa luotettava menetelmä, jonka tutkijat voivat käyttää standardimallin tutkimiseen hiukkasfysiikassa, on ottaa näytteitä / valokuvia tyhjiön fluktuaatioista. Tutkijat voivat saada tietoa hiukkasten ominaisuuksista ja siitä, mitä tapahtuu, kun nämä hiukkaset törmäilevät toisiinsa. Ottaa näytteitä tällä tavoin on kuitenkin kallista, ja toivotaan, että tekoälytekniikat voivat tehdä näytteiden ottamisesta halvemman ja tehokkaamman prosessin. Tyhjiön valokuvat voidaan käyttää samalla tavoin kuin kuvatrainausdata tietokoneen näkötekniikassa. Kvanttivalokuvat käytetään koulutusmallin harjoittamiseen, joka voi luoda näytteitä paljon tehokkaammin, mikä saavutetaan ottamalla näytteitä helposti näytettävistä tiloista ja suorittamalla näytteet koulutetun mallin kautta.

Tutkimus on luonut kehyksen, jolla pyritään suorittamaan tekoälymallien luomista fysiikan symmetrioiden perusteella. Kehyksestä on jo sovellettu yksinkertaisempiin fysiikan ongelmiin, ja tutkimusryhmä yrittää laajentaa lähestymistapaansa työskentelemään ääriviivojen laskelmien kanssa. Kanwar selitti Phys.org:ssa:

”Luulen, että olemme osoittaneet viime vuoden aikana, että on paljon lupaavaa yhdistää fysiikan tietämys tekoälytekniikkaan. Aktiivisesti pohtimme, miten voimme ratkaista jäljellä olevat esteet tehdäksemme täysimittaisia simulaatioita lähestymistapamme avulla. Toivon näkeväni ensimmäisen soveltamisen näistä menetelmistä laskelmiin laajassa mittakaavassa seuraavien kahden vuoden aikana.”