人工知能が粒子物理学の発見のスピードを高める

マサチューセッツ工科大学（MIT）の研究者は最近、人工知能を用いて粒子と核物理学の理論の特定の側面をシミュレートすることで、より高速なアルゴリズムを実現でき、理論物理学における発見のスピードを上げることができることを実証した。MITの研究チームは、理論物理学と人工知能モデルを組み合わせて、中性子、陽子、核の相互作用をシミュレートするサンプルの作成を加速した。

宇宙を支配する基本的な力は4つあります：重力、電磁力、弱い力、強い力。強い力、弱い力、電磁力は粒子物理学を通じて研究される。粒子間の相互作用を研究する伝統的な方法は、通常、プロトンの10分の1または100分の1のサイズで粒子間の相互作用の数値シミュレーションを実行することです。これらの研究は、限られた計算能力のため、長期間にわたって実行されることがあります。また、理論的には解決できる問題もありますが、計算上の制限のため、対処できない問題もあります。

MITの物理学教授であるPhiala Shanahanは、機械学習モデルを使用して粒子物理学研究を高速化できる新しいアルゴリズムを作成する研究グループの責任者です。物理学の理論の中にある対称性（物理システムの特徴で、条件が変化しても一定のままであるもの）を機械学習アルゴリズムに組み込むことで、粒子物理学研究に適したアルゴリズムを作成できます。Shanahanは、機械学習モデルが大量のデータを処理するために使用されていないことを説明しました。代わりに、粒子対称性を統合するために使用されており、これらの属性をモデルに組み込むことで、計算をより迅速に実行できます。

研究プロジェクトはShanahanによって主導され、ニューヨーク大学（NYU）の理論物理学チームのメンバーとGoogle DeepMindの機械学習研究者が参加しました。最近の研究は、理論物理学の問題を解決するために機械学習の力を利用することを目的とした、進行中または最近完了した研究のシリーズの1つです。MITの大学院生であるGurtej Kanwarによると、機械学習を強化したアルゴリズムが解決しようとしている問題は、粒子物理学についてより多くのことを理解するのに役立つものであり、CERNの大型ハドロン衝突機のような大規模な粒子物理学実験で得られた結果と比較するのに役立ちます。実験の結果と人工知能アルゴリズムの結果を比較することで、科学者は物理学モデルの制約をよりよく理解し、モデルの制約が崩壊するときにそれを認識できます。

現在、科学者が標準模型の粒子物理学を調査するために使用できる唯一の方法は、真空中の揺らぎのサンプル/スナップショットを取得する方法です。研究者は、粒子の特性と粒子の衝突についての洞察を得ることができます。ただし、サンプルを取得することは高価であり、AI技術によってサンプルを取得するプロセスをより安価で効率的なものにすることが期待されています。真空のスナップショットは、コンピュータビジョンの人工知能モデルにおける画像トレーニングデータのように使用できます。量子スナップショットは、サンプルをより効率的に作成できるモデルをトレーニングするために使用され、簡単にサンプリングできる空間でサンプルを取得し、トレーニング済みモデルを介してサンプルを実行することで実現されます。

研究によって、物理学の対称性に基づく機械学習モデルを作成するためのフレームワークが作成されました。このフレームワークはすでにより単純な物理学の問題に適用されており、研究チームは現在、最新の計算にこのアプローチを拡大しようとしています。KanwarはPhys.orgで説明したように、

「私たちは、物理学の知識と機械学習技術を組み合わせることで、多くの約束を示したと思います。私たちは、現在、フルスケールシミュレーションを実行するためのアプローチで残っている障害に対処する方法について積極的に考えています。次の2年以内に、これらの方法を大規模な計算に初めて適用することを期待しています。」