Kunstmatige Intelligentie Verhoogt Snelheid van Ontdekkingen voor Deeltjesfysica

Onderzoekers aan het MIT hebben onlangs aangetoond dat het gebruik van kunstmatige intelligentie om aspecten van deeltjes- en kernfysica-theorieën te simuleren, kan leiden tot snellere algoritmes en dus snellere ontdekkingen op het gebied van theoretische fysica. Het onderzoeksteam van MIT combineerde theoretische fysica met AI-modellen om de creatie van samples te versnellen die interacties tussen neutronen, protonen en kernen simuleren.

Er zijn vier fundamentale krachten die het universum beheersen: zwaartekracht, electromagnetisme, de zwakke kracht en de sterke kracht. De sterke, zwakke en electromagnetische 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, meestal op een schaal van 1/10e of 1/100e van de grootte van een proton. Deze studies kunnen lang duren vanwege de beperkte rekenkracht, en er zijn veel problemen die fysici theoreticsch kunnen aanpakken, maar die ze vanwege de computationele beperkingen niet kunnen aanpakken.

Phiala Shanahan, professor in de natuurkunde aan het MIT, is het hoofd van een onderzoeksgroep die machine learning-modellen gebruikt om nieuwe algoritmes te creëren die deeltjesfysica-studies kunnen versnellen. De symmetrieën die worden aangetroffen in fysica-theorieën (kenmerken van het fysieke systeem dat constant blijven, zelfs als de omstandigheden veranderen) kunnen in machine learning-algoritmes worden geïntegreerd om algoritmes te produceren die beter geschikt zijn voor deeltjesfysica-studies. Shanahan legde uit dat de machine learning-modellen niet worden gebruikt om grote hoeveelheden gegevens te verwerken, maar om deeltjes-symmetrieën te integreren, en dat de integratie van deze kenmerken in een model betekent dat berekeningen sneller kunnen worden uitgevoerd.

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

Op dit moment is de enige methode die wetenschappers betrouwbaar kunnen gebruiken om het Standaardmodel van deeltjesfysica te onderzoeken, een methode waarbij samples/snapshots worden genomen van fluctuaties die optreden in een vacuüm. Onderzoekers kunnen inzicht krijgen in de eigenschappen van de deeltjes en wat er gebeurt wanneer die deeltjes botsen. Echter, het nemen van samples zoals deze is duur en het is de hoop dat AI-technieken het nemen van samples goedkoper en efficiënter kunnen maken. De snapshots van het vacuüm kunnen worden gebruikt als trainingsgegevens in een computer vision AI-model. De quantum-snapshots worden gebruikt om een model te trainen dat samples kan creëren op een veel efficiëntere manier, door samples te nemen in een eenvoudig te bemonsteren ruimte en de samples door het getrainde model te halen.

Het onderzoek heeft een kader gecreëerd dat bedoeld is om het proces van het maken van machine learning-modellen op basis van fysica-symmetrieën te stroomlijnen. Het kader is al toegepast op eenvoudigere fysica-problemen en het onderzoeksteam probeert nu hun aanpak op te schalen om te werken met state-of-the-art-berekeningen. Zoals Kanwar uitlegde via Phys.org:

“Ik denk dat we in het afgelopen jaar hebben aangetoond dat er veel belofte zit in het combineren van fysica-kennis met machine learning-technieken. We denken actief na over hoe we de resterende barrières kunnen overwinnen die in de weg staan van het uitvoeren van full-scale-simulaties met onze aanpak. Ik hoop dat ik de eerste toepassing van deze methoden op berekeningen op grote schaal zal zien in de komende paar jaar.”