Kunstmatige intelligentie verbetert de snelheid van ontdekkingen voor deeltjesfysica

Onderzoekers van het MIT hebben onlangs aangetoond dat het gebruik van kunstmatige intelligentie om aspecten van deeltjes en kernfysicatheorieën te simuleren, kan leiden tot snellere algoritmen en dus snellere ontdekkingen als het gaat om theoretische fysica. Het MIT-onderzoeksteam combineerde theoretische natuurkunde met AI modellen om de creatie van monsters te versnellen die interacties tussen neutronen, protonen en kernen simuleren.

Er zijn vier fundamentele krachten die het universum beheersen: zwaartekracht, elektromagnetisme, de zwakke kracht en de sterke kracht. De sterke, zwakke en elektromagnetische krachten worden bestudeerd door middel van deeltjesfysica. De traditionele methode om deeltjesinteracties te bestuderen, vereist het uitvoeren van numerieke simulaties van deze interacties tussen deeltjes, die meestal plaatsvinden op 1/10 of 1/100 van de grootte van een proton. Het voltooien van deze onderzoeken kan lang duren vanwege de beperkte rekenkracht, en er zijn veel problemen die natuurkundigen in theorie wel weten aan te pakken, maar die rekenbeperkingen niet kunnen oplossen.

Phiala Shanahan, hoogleraar natuurkunde aan het MIT, staat aan het hoofd van een onderzoeksgroep die machine learning-modellen gebruikt om nieuwe algoritmen te creëren die onderzoek naar deeltjesfysica kunnen versnellen. De symmetrieën die worden aangetroffen in natuurkundetheorieën (kenmerken van het fysieke systeem die constant blijven, zelfs als de omstandigheden veranderen) kunnen worden opgenomen in machine learning-algoritmen om algoritmen te produceren die beter geschikt zijn voor onderzoek naar deeltjesfysica. Shanahan legde uit dat de machine learning-modellen niet worden gebruikt om grote hoeveelheden gegevens te verwerken, maar eerder om deeltjessymmetrieën te integreren. Het opnemen van deze attributen in een model betekent dat berekeningen sneller kunnen worden uitgevoerd.

Het onderzoeksproject werd geleid door Shanahan en omvat verschillende leden van het Theoretical Physics-team van NYU, evenals onderzoekers op het gebied van machine learning van Google DeepMind. De recente studie is slechts een van een reeks lopende en onlangs voltooide studies die gericht zijn op het benutten van de kracht van machine learning om theoretische natuurkundige problemen op te lossen die momenteel onmogelijk zijn met moderne rekenschema's. Volgens MIT-afgestudeerde student Gurtej Kanwar zullen de problemen die de door machine learning gestimuleerde algoritmen proberen op te lossen wetenschappers helpen meer te begrijpen over deeltjesfysica, en ze zijn nuttig bij het maken van vergelijkingen met resultaten die zijn afgeleid van grootschalige deeltjesfysica-experimenten (zoals die uitgevoerd bij CERN's Large Hadron Collider). Door de resultaten van de grootschalige experimenten te vergelijken met de AI-algoritmen, kunnen wetenschappers een beter idee krijgen van hoe hun natuurkundige modellen moeten worden beperkt en wanneer die modellen kapot gaan.

Momenteel is de enige methode die wetenschappers op betrouwbare wijze kunnen gebruiken om het standaardmodel van de deeltjesfysica te onderzoeken, een methode waarbij monsters/momentopnamen worden gemaakt van fluctuaties die optreden in een vacuüm. Onderzoekers kunnen inzicht krijgen in de eigenschappen van de deeltjes en wat er gebeurt als die deeltjes botsen. Het nemen van monsters op deze manier is echter duur en er wordt gehoopt dat AI-technieken het nemen van monsters een goedkoper en efficiënter proces kunnen maken. De momentopnamen die van het vacuüm zijn gemaakt, kunnen op dezelfde manier worden gebruikt als beeldtrainingsgegevens in een AI-model met computervisie. De kwantumsnapshots worden gebruikt om een ​​model te trainen dat op een veel efficiëntere manier samples kan maken. Dit wordt bereikt door samples te nemen in een gemakkelijk te samplen ruimte en de samples door het getrainde model te laten lopen.

Het onderzoek heeft een raamwerk gecreëerd dat bedoeld is om het proces van het maken van machine-learningmodellen op basis van fysische symmetrieën te stroomlijnen. Het raamwerk is al toegepast op eenvoudigere natuurkundige problemen en het onderzoeksteam probeert nu hun aanpak op te schalen om te werken met geavanceerde berekeningen. Zoals Kanwar uitlegde via Phys.org:

“Ik denk dat we het afgelopen jaar hebben laten zien dat er veel potentie zit in het combineren van natuurkundige kennis met machine learning-technieken. We denken actief na over hoe we de resterende barrières kunnen aanpakken die het uitvoeren van volledige simulaties met onze aanpak in de weg staan. Ik hoop de komende jaren de eerste toepassing van deze methoden op schaalberekeningen te zien.”