Umjetna inteligencija povećava brzinu otkrića za fiziku čestica

Istraživači s MIT-a nedavno su pokazali da korištenje umjetne inteligencije za simulaciju aspekata teorija čestica i nuklearne fizike može dovesti do bržih algoritama, a time i do bržih otkrića kada je u pitanju teorijska fizika. Istraživački tim MIT-a spojio je teorijsku fiziku s umjetnom inteligencijom modeli za ubrzavanje stvaranja uzoraka koji simuliraju interakcije između neutrona, protona i jezgri.

Postoje četiri temeljne sile koje upravljaju svemirom: gravitacija, elektromagnetizam, slaba sila i jaka sila. Jake, slabe i elektromagnetske sile proučavaju se kroz fiziku čestica. Tradicionalna metoda proučavanja interakcija čestica zahtijeva izvođenje numeričkih simulacija tih interakcija između čestica, koje se obično odvijaju na 1/10 ili 1/100 veličine protona. Ove studije mogu dugo trajati zbog ograničene računalne snage, a postoje i mnogi problemi s kojima se fizičari teoretski znaju pozabaviti, ali se ne mogu pozabaviti navedenim računalnim ograničenjima.

Profesorica fizike s MIT-a Phiala Shanahan voditeljica je istraživačke skupine koja koristi modele strojnog učenja za stvaranje novih algoritama koji mogu ubrzati studije fizike čestica. Simetrije pronađene u teorijama fizike (značajke fizičkog sustava koje ostaju konstantne čak i kada se uvjeti mijenjaju) mogu se ugraditi u algoritme strojnog učenja kako bi se proizveli algoritmi koji su prikladniji za studije fizike čestica. Shanahan je objasnio da se modeli strojnog učenja ne koriste za obradu velikih količina podataka, već se koriste za integraciju simetrija čestica, a uključivanje ovih atributa u model znači da se proračuni mogu napraviti brže.

Istraživački projekt vodio je Shanahan, a uključuje nekoliko članova tima za teorijsku fiziku na NYU, kao i istraživače strojnog učenja iz Google DeepMinda. Nedavna studija samo je jedna od niza tekućih i nedavno završenih studija usmjerenih na iskorištavanje snage strojnog učenja za rješavanje problema teorijske fizike koji su trenutno nemogući s modernim računalnim shemama. Prema diplomskom studentu MIT-a Gurteju Kanwaru, problemi koje algoritmi potaknuti strojnim učenjem pokušavaju riješiti pomoći će znanstvenicima da razumiju više o fizici čestica, a korisni su u usporedbi s rezultatima dobivenim velikim eksperimentima fizike čestica (poput onih provedeno u CERN-ovom Velikom hadronskom sudaraču). Uspoređujući rezultate eksperimenata velikih razmjera s algoritmima umjetne inteligencije, znanstvenici mogu dobiti bolju ideju o tome kako bi njihovi fizički modeli trebali biti ograničeni i kada se ti modeli pokvare.

Trenutno je jedina metoda koju znanstvenici mogu pouzdano koristiti za istraživanje Standardnog modela fizike čestica ona kojom se uzimaju uzorci/snimke fluktuacija koje se javljaju u vakuumu. Istraživači mogu dobiti uvid u svojstva čestica i što se događa kada se te čestice sudare. Međutim, uzimanje uzoraka poput ovoga je skupo i nadamo se da tehnike AI mogu učiniti uzimanje uzoraka jeftinijim, učinkovitijim procesom. Snimke vakuuma mogu se koristiti slično kao podaci za obuku slike u modelu umjetne inteligencije računalnog vida. Kvantne snimke koriste se za treniranje modela koji može stvarati uzorke na mnogo učinkovitiji način, što se postiže uzimanjem uzoraka u prostoru lakom za uzorkovanje i provođenjem uzoraka kroz obučeni model.

Istraživanje je stvorilo okvir namijenjen usmjeravanju procesa stvaranja modela strojnog učenja temeljenih na fizikalnim simetrijama. Okvir je već primijenjen na jednostavnije fizičke probleme i istraživački tim sada pokušava proširiti svoj pristup radu s vrhunskim izračunima. Kako je Kanwar objasnio putem Phys.org:

“Mislim da smo tijekom prošle godine pokazali da postoji mnogo obećanja u kombinaciji znanja fizike s tehnikama strojnog učenja. Aktivno razmišljamo o tome kako se uhvatiti u koštac s preostalim preprekama na putu izvođenja simulacija u punoj veličini koristeći naš pristup. Nadam se da ću vidjeti prvu primjenu ovih metoda u velikim izračunima u sljedećih nekoliko godina.”