Kecerdasan Buatan Meningkatkan Kecepatan Penemuan dalam Fisika Partikel

Peneliti di MIT baru-baru ini mendemonstrasikan bahwa menggunakan kecerdasan buatan untuk mensimulasikan aspek-aspek partikel dan teori fisika nuklir dapat menghasilkan algoritma yang lebih cepat, dan oleh karena itu, penemuan yang lebih cepat dalam fisika teoretis. Tim peneliti MIT menggabungkan fisika teoretis dengan model kecerdasan buatan untuk mempercepat pembuatan sampel yang mensimulasikan interaksi antara neutron, proton, dan nukleus.

Ada empat gaya fundamental yang mengatur alam semesta: gravitasi, elektromagnetisme, gaya lemah, dan gaya kuat. Gaya kuat, lemah, dan elektromagnetik dipelajari melalui fisika partikel. Metode tradisional untuk mempelajari interaksi partikel memerlukan menjalankan simulasi numerik dari interaksi tersebut antara partikel, biasanya terjadi pada 1/10 atau 1/100 ukuran proton. Studi ini dapat memakan waktu lama untuk diselesaikan karena keterbatasan daya komputasi, dan ada banyak masalah yang fisikawan tahu bagaimana menanganinya secara teoretis namun tidak dapat menanganinya karena keterbatasan komputasi.

Profesor Fisika MIT Phiala Shanahan adalah kepala kelompok penelitian yang menggunakan model kecerdasan buatan untuk membuat algoritma baru yang dapat mempercepat studi fisika partikel. Simetri yang ditemukan dalam teori fisika (fitur dari sistem fisik yang tetap konstan bahkan ketika kondisi berubah) dapat diintegrasikan ke dalam algoritma kecerdasan buatan untuk menghasilkan algoritma yang lebih sesuai untuk studi fisika partikel. Shanahan menjelaskan bahwa model kecerdasan buatan tidak digunakan untuk memproses sejumlah besar data, melainkan digunakan untuk mengintegrasikan simetri partikel, dan inklusi atribut-atribut tersebut dalam model berarti bahwa perhitungan dapat dilakukan lebih cepat.

Proyek penelitian ini dipimpin oleh Shanahan dan melibatkan beberapa anggota Tim Fisika Teoretis di NYU, serta peneliti kecerdasan buatan dari Google DeepMind. Studi terbaru ini hanya salah satu dari serangkaian studi yang sedang berlangsung dan baru-baru ini selesai yang bertujuan untuk memanfaatkan kekuatan kecerdasan buatan untuk menyelesaikan masalah fisika teoretis yang saat ini tidak mungkin dengan skema komputasi modern. Menurut mahasiswa pascasarjana MIT Gurtej Kanwar, masalah yang dicoba diselesaikan oleh algoritma yang ditingkatkan dengan kecerdasan buatan akan membantu ilmuwan memahami lebih banyak tentang fisika partikel, dan mereka berguna dalam membuat perbandingan dengan hasil yang diperoleh dari eksperimen fisika partikel skala besar (seperti yang dilakukan di CERN Large Hadron Collider). Dengan membandingkan hasil eksperimen skala besar dengan algoritma kecerdasan buatan, ilmuwan dapat mendapatkan gambaran yang lebih baik tentang bagaimana model fisika mereka seharusnya dibatasi, dan kapan model tersebut gagal.

Saat ini, metode satu-satunya yang dapat digunakan ilmuwan untuk menyelidiki Model Standar fisika partikel adalah dengan mengambil sampel/snapshot dari fluktuasi yang terjadi dalam vakum. Peneliti dapat memperoleh wawasan tentang sifat-sifat partikel dan apa yang terjadi ketika partikel-partikel tersebut bertabrakan. Namun, mengambil sampel seperti ini mahal dan diharapkan bahwa teknik kecerdasan buatan dapat membuat pengambilan sampel menjadi proses yang lebih murah dan efisien. Snapshot yang diambil dari vakum dapat digunakan seperti data pelatihan gambar dalam model kecerdasan buatan penglihatan. Snapshot kuantum digunakan untuk melatih model yang dapat membuat sampel dengan cara yang lebih efisien, yang dilakukan dengan mengambil sampel dalam ruang yang mudah disampel dan menjalankan sampel melalui model yang telah dilatih.

Penelitian ini telah menciptakan kerangka kerja yang dimaksudkan untuk mempermudah proses pembuatan model kecerdasan buatan berdasarkan simetri fisika. Kerangka kerja ini telah diterapkan pada masalah fisika yang lebih sederhana dan tim peneliti sekarang mencoba meningkatkan pendekatan mereka untuk bekerja dengan perhitungan terdepan. Seperti yang dijelaskan Kanwar melalui Phys.org:

“Saya pikir kami telah menunjukkan selama setahun terakhir bahwa ada banyak janji dalam menggabungkan pengetahuan fisika dengan teknik kecerdasan buatan. Kami secara aktif memikirkan bagaimana menangani hambatan yang tersisa dalam melakukan simulasi skala penuh menggunakan pendekatan kami. Saya berharap melihat aplikasi pertama dari metode ini untuk perhitungan skala besar dalam beberapa tahun ke depan.”