कृत्रिम बुद्धिमत्ता कण भौतिकी के खोज की गति को बढ़ाती है

एमआईटी के शोधकर्ताओं ने हाल ही में प्रदर्शित किया है कि कण और नाभिकीय भौतिकी सिद्धांतों के पहलुओं को सिम्युलेट करने के लिए कृत्रिम बुद्धिमत्ता का उपयोग करने से तेज़ एल्गोरिदम हो सकते हैं, और इसलिए सैद्धांतिक भौतिकी में खोजों की गति तेज़ हो सकती है। एमआईटी शोध दल ने सैद्धांतिक भौतिकी को एआई मॉडल के साथ मिलाया न्यूट्रॉन, प्रोटॉन और नाभिक के बीच परस्पर क्रिया को सिम्युलेट करने वाले नमूनों के निर्माण को तेज़ करने के लिए।

ब्रह्मांड को नियंत्रित करने वाले चार मूलभूत बल हैं: गुरुत्वाकर्षण, विद्युत चुंबकत्व, कमजोर बल और मजबूत बल। मजबूत, कमजोर और विद्युत चुंबकीय बलों का अध्ययन कण भौतिकी के माध्यम से किया जाता है। कण परस्पर क्रिया का अध्ययन करने का पारंपरिक तरीका कणों के बीच परस्पर क्रिया के संख्यात्मक सिम्युलेशन चलाना है, जो आमतौर पर प्रोटॉन के आकार के 1/10 या 1/100 हिस्से पर होता है। ये अध्ययन पूरा होने में बहुत समय ले सकते हैं क्योंकि कम्प्यूटिंग शक्ति सीमित है, और कई समस्याएं हैं जिन्हें भौतिक विज्ञानी सैद्धांतिक रूप से हल करना जानते हैं लेकिन कम्प्यूटेशनल सीमाओं के कारण उन्हें हल नहीं कर सकते हैं।

एमआईटी के भौतिकी प्रोफेसर फियाला शनाहान एक शोध समूह के प्रमुख हैं जो कण भौतिकी अध्ययनों को तेज़ करने के लिए मशीन लर्निंग मॉडल का उपयोग करके नए एल्गोरिदम बनाने के लिए मशीन लर्निंग मॉडल का उपयोग करते हैं। भौतिकी सिद्धांतों (भौतिक प्रणाली की विशेषताएं जो परिस्थितियों में परिवर्तन के बावजूद स्थिर रहती हैं) में पाई जाने वाली सममितियों को मशीन लर्निंग एल्गोरिदम में शामिल किया जा सकता है ताकि कण भौतिकी अध्ययनों के लिए अधिक उपयुक्त एल्गोरिदम प्राप्त किए जा सकें। शनाहान ने समझाया कि मशीन लर्निंग मॉडलों का उपयोग बड़ी मात्रा में डेटा को संसाधित करने के लिए नहीं किया जा रहा है, बल्कि कण सममितियों को एकीकृत करने के लिए किया जा रहा है, और इन विशेषताओं को एक मॉडल में शामिल करने से गणना अधिक तेज़ी से की जा सकती है।

शोध परियोजना का नेतृत्व शनाहान ने किया था और इसमें एनवाईयू के सैद्धांतिक भौतिकी टीम के कई सदस्य, साथ ही गूगल डीपमाइंड के मशीन लर्निंग शोधकर्ता शामिल थे। हाल का अध्ययन सैद्धांतिक भौतिकी समस्याओं को हल करने के लिए मशीन लर्निंग की शक्ति का लाभ उठाने के लिए चल रहे और हाल ही में पूरे हुए अध्ययनों की एक श्रृंखला में से एक है, जो वर्तमान कम्प्यूटेशनल योजनाओं के साथ असंभव हैं। एमआईटी के स्नातक छात्र गुरतेज कंवार के अनुसार, मशीन लर्निंग द्वारा बढ़ाए गए एल्गोरिदम जो समस्याएं हल करने का प्रयास कर रहे हैं, वे कण भौतिकी के बारे में अधिक जानने में वैज्ञानिकों की मदद करेंगे, और वे बड़े पैमाने पर कण भौतिकी प्रयोगों (जैसे सीईआरएन के लार्ज हैड्रॉन कोलाइडर में किए गए) से प्राप्त परिणामों की तुलना करने में उपयोगी हैं। बड़े पैमाने पर प्रयोगों के परिणामों की तुलना एआई एल्गोरिदम के साथ करके, वैज्ञानिकों को यह बेहतर समझने में मदद मिल सकती है कि उनके भौतिकी मॉडल को कैसे सीमित किया जाना चाहिए और जब वे मॉडल विफल हो जाते हैं।

वर्तमान में, कण भौतिकी के मानक मॉडल की जांच करने का एकमात्र तरीका जो वैज्ञानिकों को विश्वसनीय रूप से उपयोग कर सकते हैं वह यह है कि वे एक वैक्यूम में होने वाली उतार-चढ़ाव की तस्वीरें लेते हैं। शोधकर्ता कणों के गुणों और जब वे टकराते हैं तो क्या होता है, इसके बारे में जानकारी प्राप्त कर सकते हैं। हालांकि, इस तरह के नमूने लेना महंगा है, और आशा है कि एआई तकनीक नमूने लेने की प्रक्रिया को सस्ता और अधिक कुशल बना सकती है। वैक्यूम की तस्वीरें कंप्यूटर विजन एआई मॉडल में इमेज ट्रेनिंग डेटा की तरह उपयोग की जा सकती हैं। क्वांटम स्नैपशॉट का उपयोग एक मॉडल को प्रशिक्षित करने के लिए किया जा सकता है जो नमूने बनाने में बहुत अधिक कुशल है, जो एक आसान-से-नमूने के स्थान में नमूने लेकर और नमूनों को प्रशिक्षित मॉडल के माध्यम से चलाकर प्राप्त किया जा सकता है।

शोध ने एक फ्रेमवर्क बनाया है जिसका उद्देश्य भौतिकी सममितियों पर आधारित मशीन लर्निंग मॉडल बनाने की प्रक्रिया को सुव्यवस्थित करना है। फ्रेमवर्क को पहले से ही सरल भौतिकी समस्याओं पर लागू किया गया है और शोध टीम अब अपने दृष्टिकोण को उन्नत गणनाओं के साथ काम करने के लिए स्केल करने का प्रयास कर रही है। जैसा कि कंवार ने फिज़.ऑर्ग के माध्यम से समझाया:

“मुझे लगता है कि हमने पिछले एक साल में दिखाया है कि भौतिकी ज्ञान को मशीन लर्निंग तकनीकों के साथ मिलाने में बहुत सारा वादा है। हम उन बाधाओं को दूर करने के तरीके पर सक्रिय रूप से विचार कर रहे हैं जो हमारे दृष्टिकोण का उपयोग करके पूर्ण-स्केल सिमुलेशन करने के रास्ते में हैं। मुझे उम्मीद है कि अगले कुछ वर्षों में इन तरीकों को बड़े पैमाने पर गणनाओं पर लागू करने का पहला अनुप्रयोग देखने को मिलेगा।”