L’intelligenza artificiale aumenta la velocità delle scoperte per la fisica delle particelle

I ricercatori del MIT hanno recentemente dimostrato che utilizzare l’intelligenza artificiale per simulare aspetti di particelle e teorie di fisica nucleare può portare a algoritmi più veloci, e quindi a scoperte più rapide quando si tratta di fisica teorica. Il team di ricerca del MIT ha combinato la fisica teorica con modelli di intelligenza artificiale per accelerare la creazione di campioni che simulano interazioni tra neutroni, protoni e nuclei.

Esistono quattro forze fondamentali che governano l’universo: gravità, elettromagnetismo, forza debole e forza forte. Le forze forti, deboli e elettromagnetiche sono studiate attraverso la fisica delle particelle. Il metodo tradizionale di studio delle interazioni tra particelle richiede l’esecuzione di simulazioni numeriche di queste interazioni tra particelle, che si verificano generalmente a 1/10 o 1/100 della dimensione di un protone. Questi studi possono richiedere molto tempo per essere completati a causa della limitata potenza di calcolo, e ci sono molti problemi che i fisici sanno come affrontare in teoria, ma non possono affrontare a causa delle limitazioni computazionali.

Il professore di fisica del MIT Phiala Shanahan è a capo di un gruppo di ricerca che utilizza modelli di apprendimento automatico per creare nuovi algoritmi che possono accelerare gli studi di fisica delle particelle. Le simmetrie trovate all’interno delle teorie fisiche (caratteristiche del sistema fisico che rimangono costanti anche quando le condizioni cambiano) possono essere incorporate in algoritmi di apprendimento automatico per produrre algoritmi più adatti agli studi di fisica delle particelle. Shanahan ha spiegato che i modelli di apprendimento automatico non sono utilizzati per elaborare grandi quantità di dati, ma sono utilizzati per integrare le simmetrie delle particelle, e l’inclusione di questi attributi all’interno di un modello significa che i calcoli possono essere eseguiti più rapidamente.

Il progetto di ricerca è stato guidato da Shanahan e include diversi membri del team di fisica teorica della NYU, nonché ricercatori di apprendimento automatico di Google DeepMind. Lo studio recente è solo uno di una serie di studi in corso e recentemente completati volti a sfruttare il potere dell’apprendimento automatico per risolvere problemi di fisica teorica che attualmente sono impossibili con gli schemi di calcolo moderni. Secondo il laureato del MIT Gurtej Kanwar, i problemi che gli algoritmi potenziati dall’apprendimento automatico stanno cercando di risolvere aiuteranno gli scienziati a capire meglio la fisica delle particelle, e sono utili per effettuare confronti con i risultati derivati da esperimenti di fisica delle particelle su larga scala (come quelli condotti al Large Hadron Collider del CERN). Confrontando i risultati degli esperimenti su larga scala con gli algoritmi di intelligenza artificiale, gli scienziati possono ottenere una migliore idea di come i loro modelli di fisica dovrebbero essere vincolati, e quando quei modelli si rompono.

Attualmente, l’unico metodo che gli scienziati possono utilizzare in modo affidabile per indagare il Modello Standard della fisica delle particelle è quello in cui vengono prese campioni/istantanee di fluttuazioni che si verificano in un vuoto. I ricercatori possono ottenere informazioni sulle proprietà delle particelle e su cosa succede quando quelle particelle collidono. Tuttavia, prendere campioni come questo è costoso e si spera che le tecniche di intelligenza artificiale possano rendere il processo di campionamento più economico e efficiente. Le istantanee prese del vuoto possono essere utilizzate in modo simile ai dati di formazione di un’immagine in un modello di intelligenza artificiale di visione computerizzata. Le istantanee quantistiche vengono utilizzate per formare un modello che può creare campioni in modo più efficiente, realizzato prendendo campioni in uno spazio facile da campionare e passando i campioni attraverso il modello formato.

La ricerca ha creato un framework destinato a semplificare il processo di creazione di modelli di apprendimento automatico basati su simmetrie fisiche. Il framework è già stato applicato a problemi di fisica più semplici e il team di ricerca sta ora cercando di ampliare il proprio approccio per lavorare con calcoli all’avanguardia. Come ha spiegato Kanwar via Phys.org:

“Credo che abbiamo dimostrato nel corso dell’ultimo anno che c’è molta promessa nel combinare la conoscenza fisica con le tecniche di apprendimento automatico. Stiamo attivamente pensando a come superare le barriere rimanenti che si frappongono all’esecuzione di simulazioni a piena scala utilizzando il nostro approccio. Spero di vedere la prima applicazione di questi metodi a calcoli su larga scala nei prossimi due anni.”