Kecerdasan Buatan Meningkatkan Kecepatan Penemuan Untuk Fisika Partikel

Para peneliti di MIT baru-baru ini menunjukkan bahwa memanfaatkan kecerdasan buatan untuk mensimulasikan aspek partikel dan teori fisika nuklir dapat menghasilkan algoritme yang lebih cepat, dan oleh karena itu penemuan yang lebih cepat dalam teori fisika. Tim peneliti MIT menggabungkan teori fisika dengan AI model untuk mempercepat pembuatan sampel yang mensimulasikan interaksi antara neutron, proton, dan inti.

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 membutuhkan simulasi numerik dari interaksi antar partikel ini, biasanya terjadi pada ukuran 1/10 atau 1/100 proton. Studi-studi ini dapat memakan waktu lama untuk diselesaikan karena daya komputasi yang terbatas, dan ada banyak masalah yang diketahui fisikawan bagaimana mengatasi secara teori namun tidak dapat mengatasi keterbatasan komputasi tersebut.

Profesor Fisika MIT Phiala Shanahan adalah ketua kelompok penelitian yang menggunakan model pembelajaran mesin untuk membuat algoritma baru yang dapat mempercepat studi fisika partikel. Simetri yang ditemukan dalam teori fisika (fitur sistem fisik yang tetap konstan bahkan ketika kondisi berubah) dapat dimasukkan ke dalam algoritme pembelajaran mesin untuk menghasilkan algoritme yang lebih sesuai dengan studi fisika partikel. Shanahan menjelaskan bahwa model pembelajaran mesin tidak digunakan untuk memproses data dalam jumlah besar, melainkan digunakan untuk mengintegrasikan simetri partikel, dan penyertaan atribut-atribut ini dalam model berarti komputasi dapat dilakukan dengan lebih cepat.

Proyek penelitian ini dipimpin oleh Shanahan dan melibatkan beberapa anggota tim Fisika Teoretis di NYU, serta peneliti pembelajaran mesin dari Google DeepMind. Studi baru-baru ini hanyalah salah satu dari serangkaian studi yang sedang berlangsung dan baru saja selesai yang bertujuan untuk memanfaatkan kekuatan pembelajaran mesin untuk memecahkan masalah fisika teoretis yang saat ini tidak mungkin dilakukan dengan skema komputasi modern. Menurut mahasiswa pascasarjana MIT Gurtej Kanwar, masalah yang coba dipecahkan oleh algoritma yang didorong pembelajaran mesin akan membantu para ilmuwan lebih memahami tentang fisika partikel, dan mereka berguna dalam membuat perbandingan terhadap hasil yang diperoleh dari percobaan fisika partikel skala besar (seperti yang dilakukan di CERN's Large Hadron Collider). Dengan membandingkan hasil eksperimen skala besar dengan algoritme AI, para ilmuwan dapat memperoleh gagasan yang lebih baik tentang bagaimana model fisika mereka harus dibatasi, dan kapan model tersebut rusak.

Saat ini, satu-satunya metode yang dapat diandalkan oleh para ilmuwan untuk menyelidiki Model Standar fisika partikel adalah dengan mengambil sampel/jepretan dari fluktuasi yang terjadi dalam ruang hampa. Para peneliti dapat memperoleh wawasan tentang sifat-sifat partikel dan apa yang terjadi ketika partikel-partikel tersebut bertabrakan. Namun pengambilan sampel seperti ini memerlukan biaya yang mahal dan diharapkan teknik AI dapat membuat proses pengambilan sampel menjadi lebih murah dan efisien. Cuplikan yang diambil dari ruang hampa dapat digunakan seperti data pelatihan gambar dalam model AI visi komputer. Snapshot kuantum digunakan untuk melatih model yang dapat membuat sampel dengan cara yang jauh lebih efisien, dilakukan dengan mengambil sampel di ruang yang mudah diambil sampelnya dan menjalankan sampel melalui model yang dilatih.

Penelitian ini telah menciptakan kerangka kerja yang dimaksudkan untuk merampingkan proses pembuatan model pembelajaran mesin berdasarkan simetri fisika. Kerangka kerja tersebut telah diterapkan pada masalah fisika yang lebih sederhana dan tim peneliti sekarang berusaha untuk meningkatkan pendekatan mereka untuk bekerja dengan perhitungan yang canggih. 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 pembelajaran mesin. Kami secara aktif memikirkan cara mengatasi hambatan yang tersisa dengan cara melakukan simulasi skala penuh menggunakan pendekatan kami. Saya berharap dapat melihat aplikasi pertama dari metode ini untuk perhitungan dalam skala besar dalam beberapa tahun mendatang.”