L’intelligence artificielle améliore la vitesse des découvertes en physique des particules

Les chercheurs du MIT ont récemment démontré que l’utilisation de l’intelligence artificielle pour simuler des aspects de la physique des particules et des théories nucléaires peut conduire à des algorithmes plus rapides, et donc à des découvertes plus rapides en physique théorique. L’équipe de recherche du MIT a combiné la physique théorique avec des modèles d’IA pour accélérer la création d’échantillons qui simulent les interactions entre les neutrons, les protons et les noyaux.

Il existe quatre forces fondamentales qui régissent l’univers : la gravité, l’électromagnétisme, la force faible et la force forte. Les forces faible, forte et électromagnétique sont étudiées à travers la physique des particules. La méthode traditionnelle d’étude des interactions entre les particules nécessite de faire des simulations numériques de ces interactions entre les particules, généralement à une échelle de 1/10 ou 1/100 de la taille d’un proton. Ces études peuvent prendre beaucoup de temps à compléter en raison de la puissance de calcul limitée, et il y a de nombreux problèmes que les physiciens savent comment aborder en théorie, mais qu’ils ne peuvent pas résoudre en raison de ces limitations de calcul.

Le professeur de physique du MIT, Phiala Shanahan, est à la tête d’un groupe de recherche qui utilise des modèles d’apprentissage automatique pour créer de nouveaux algorithmes qui peuvent accélérer les études de physique des particules. Les symétries trouvées dans les théories physiques (caractéristiques du système physique qui restent constantes même lorsque les conditions changent) peuvent être intégrées dans les algorithmes d’apprentissage automatique pour produire des algorithmes plus adaptés aux études de physique des particules. Shanahan a expliqué que les modèles d’apprentissage automatique ne sont pas utilisés pour traiter de grandes quantités de données, mais plutôt pour intégrer les symétries des particules, et que l’inclusion de ces attributs dans un modèle signifie que les calculs peuvent être effectués plus rapidement.

Le projet de recherche a été mené par Shanahan et comprend plusieurs membres de l’équipe de physique théorique de l’Université de New York, ainsi que des chercheurs en apprentissage automatique de Google DeepMind. La récente étude est l’une d’une série d’études en cours et récemment terminées visant à exploiter le pouvoir de l’apprentissage automatique pour résoudre des problèmes de physique théorique qui sont actuellement impossibles avec les schémas de calcul modernes. Selon l’étudiant diplômé du MIT, Gurtej Kanwar, les problèmes que les algorithmes renforcés par l’apprentissage automatique tentent de résoudre aideront les scientifiques à mieux comprendre la physique des particules, et ils sont utiles pour faire des comparaisons avec les résultats dérivés des expériences de physique des particules à grande échelle (comme celles menées au Large Hadron Collider du CERN). En comparant les résultats des expériences à grande échelle avec les algorithmes d’IA, les scientifiques peuvent avoir une meilleure idée de la façon dont leurs modèles de physique devraient être contraints, et quand ces modèles se rompent.

Actuellement, la seule méthode que les scientifiques peuvent utiliser de manière fiable pour étudier le Modèle standard de la physique des particules est une méthode où des échantillons / instantanés sont pris des fluctuations se produisant dans un vide. Les chercheurs peuvent acquérir des connaissances sur les propriétés des particules et sur ce qui se passe lorsqu’elles entrent en collision. Cependant, prendre des échantillons de cette manière est coûteux et il est espéré que les techniques d’IA peuvent rendre le processus de prise d’échantillons moins coûteux et plus efficace. Les instantanés pris du vide peuvent être utilisés de la même manière que les données d’entraînement d’image dans un modèle d’IA de vision par ordinateur. Les instantanés quantiques sont utilisés pour entraîner un modèle qui peut créer des échantillons de manière beaucoup plus efficace, en prenant des échantillons dans un espace facile à échantillonner et en faisant passer les échantillons à travers le modèle entraîné.

La recherche a créé un cadre destiné à rationaliser le processus de création de modèles d’apprentissage automatique basés sur les symétries de la physique. Le cadre a déjà été appliqué à des problèmes de physique plus simples et l’équipe de recherche tente désormais de mettre à l’échelle leur approche pour fonctionner avec des calculs de pointe. Comme l’a expliqué Kanwar via Phys.org :

« Je pense que nous avons montré au cours de la dernière année qu’il y a beaucoup de promesses dans la combinaison de la connaissance de la physique avec les techniques d’apprentissage automatique. Nous réfléchissons activement à la façon de surmonter les obstacles qui empêchent la réalisation de simulations à grande échelle en utilisant notre approche. J’espère voir la première application de ces méthodes à des calculs à grande échelle dans les deux prochaines années. »