Kunstig intelligens øker hastigheten på oppdagelser i partikkelfysikk

Forskere ved MIT har nylig demonstrert at bruk av kunstig intelligens til å simulere aspekter av partikler og kjernefysikkteorier kan føre til raskere algoritmer, og dermed raskere oppdagelser når det gjelder teoretisk fysikk. MIT-forskningsgruppen kombinerte teoretisk fysikk med AI-modeller for å akselerere skapingen av prøver som simulerer interaksjoner mellom nøytroner, protoner og kjerner.

Det finnes fire grunnleggende krefter som styrer universet: gravitasjon, elektromagnetisme, den svake kraften og den sterke kraften. Den sterke, svake og elektromagnetiske kraften studeres gjennom partikkelfysikk. Den tradisjonelle metoden for å studere partikkelinteraksjoner innebærer å kjøre numeriske simuleringer av disse interaksjonene mellom partikler, vanligvis på 1/10 eller 1/100 av størrelsen av en proton. Disse studiene kan ta lang tid å fullføre på grunn av begrensede datamaskinkapasiteter, og det finnes mange problemer som fysikere vet hvordan de skal takle i teorien, men ikke kan håndtere på grunn av nevnte datamaskinbegrensninger.

MIT-fysikprofessoren Phiala Shanahan er leder for en forskningsgruppe som bruker maskinlæringsmodeller til å skape nye algoritmer som kan akselerere partikkelfysikkstudier. Symmetriene funnet i fysikkteorier (egenskaper ved det fysiske systemet som forblir konstant selv om betingelsene endres) kan inkorporeres i maskinlæringsalgoritmer for å produsere algoritmer som er bedre egnet for partikkelfysikkstudier. Shanahan forklarte at maskinlæringsmodellene ikke brukes til å prosessere store mengder data, men til å integrere partikkel-symmetrier, og at inklusjonen av disse egenskapene i en modell betyr at beregninger kan gjøres raskere.

Forskningsprosjektet ble ledet av Shanahan og inkluderte flere medlemmer av den teoretiske fysikkgruppen ved NYU, samt maskinlæringsforskere fra Google DeepMind. Den nylige studien er bare ett av en rekke pågående og nylig fullførte studier som har til hensikt å utnytte kraften til maskinlæring til å løse teoretiske fysikkproblemer som for tiden er umulige med moderne beregnings-skjemaer. Ifølge MIT-gradstudent Gurtej Kanwar vil problemene som de maskinlærings-forbedrede algoritmene prøver å løse hjelpe vitenskapsmenn til å forstå mer om partikkelfysikk, og de er nyttige i å gjøre sammenligninger mot resultater som er avledet fra store partikkelfysikk-eksperimenter (som de som utføres ved CERNs store hadronkollisjon). Ved å sammenligne resultater fra store eksperimenter med AI-algoritmene kan vitenskapsmenn få en bedre forståelse av hvordan deres fysikkmodeller bør begrenses, og når disse modellene bryter sammen.

For tiden er den eneste metoden som vitenskapsmenn kan bruke til å undersøke standardmodellen for partikkelfysikk en metode hvor prøver/øyeblikksbilder tas av fluktuasjoner som skjer i et vakuum. Forskere kan få innsikt i egenskapene til partiklene og hva som skjer når disse partiklene kolliderer. Imidlertid er det dyrt å ta slike prøver, og det håpes at AI-teknikker kan gjøre det billigere og mer effektivt å ta prøver. Øyeblikksbildene av vakuum kan brukes på samme måte som bilde-treningdata i en datamaskin-syns AI-modell. De kvantemekaniske øyeblikksbildene brukes til å trene en modell som kan skape prøver på en mye mer effektiv måte, noe som oppnås ved å ta prøver i et lett-å-prøve-rom og kjøre prøvene gjennom den trenede modellen.

Forskningen har skapt en ramme som er ment å strømlinje prosessen med å skape maskinlæringsmodeller basert på fysikksymmetrier. Rammen har allerede blitt brukt til enklere fysikkproblemer, og forskningsgruppen prøver nå å skalerer opp sin tilnærming til å fungere med banebrytende beregninger. Som Kanwar forklarte via Phys.org:

“Jeg tror vi har vist over det siste året at det finnes mye løfte i å kombinere fysikk-kunnskap med maskinlærings-teknikker. Vi tenker aktivt på hvordan vi kan overvinne de gjenværende barrierene i veien for å utføre fullskala-simuleringer ved hjelp av vår tilnærming. Jeg håper å se den første anvendelsen av disse metodene til beregninger i stor skala innen de neste par årene.”