Sztuczna inteligencja zwiększa szybkość odkryć w fizyce cząstek

Naukowcy z MIT niedawno udowodnili, że wykorzystanie sztucznej inteligencji do symulowania aspektów cząstek i teorii fizyki jądrowej może prowadzić do szybszych algorytmów, a tym samym szybszych odkryć w dziedzinie fizyki teoretycznej. Zespół badawczy z MIT połączył fizykę teoretyczną z modelami sztucznej inteligencji, aby przyspieszyć tworzenie próbek, które symulują interakcje między neutronami, protonami i jądrami.

Istnieją cztery podstawowe siły, które rządzą wszechświatem: grawitacja, elektromagnetyzm, słaba siła i silna siła. Silna, słaba i elektromagnetyczna siła są badane w ramach fizyki cząstek. Tradycyjna metoda badania interakcji cząstek wymaga prowadzenia symulacji numerycznych tych interakcji między cząstkami, zwykle odbywających się w 1/10 lub 1/100 rozmiaru protonu. Badania te mogą trwać długo ze względu na ograniczoną moc obliczeniową, a istnieje wiele problemów, które fizycy wiedzą, jak rozwiązać teoretycznie, ale nie mogą ich rozwiązać ze względu na ograniczenia obliczeniowe.

Profesor fizyki z MIT, Phiala Shanahan, kieruje grupą badawczą, która wykorzystuje modele sztucznej inteligencji do tworzenia nowych algorytmów, które mogą przyspieszyć badania fizyki cząstek. Symetrie znalezione w teoriach fizyki (cechy systemu fizycznego, które pozostają stałe nawet przy zmianie warunków) mogą być wbudowane w algorytmy sztucznej inteligencji, aby wyprodukować algorytmy bardziej odpowiednie dla badań fizyki cząstek. Shanahan wyjaśnił, że modele sztucznej inteligencji nie są używane do przetwarzania dużych ilości danych, ale są używane do integrowania symetrii cząstek, a włączenie tych atrybutów do modelu oznacza, że obliczenia mogą być wykonywane szybciej.

Projekt badawczy został poprowadzony przez Shanahana i obejmuje kilku członków zespołu fizyki teoretycznej z NYU, a także badaczy sztucznej inteligencji z Google DeepMind. Ostatnie badanie jest tylko jednym z serii trwających i niedawno zakończonych badań, których celem jest wykorzystanie mocy sztucznej inteligencji do rozwiązania problemów fizyki teoretycznej, które są obecnie niemożliwe do rozwiązania przy użyciu nowoczesnych schematów obliczeniowych. Zgodnie z oświadczeniem studenta MIT, Gurteja Kanwara, problemy, których dotyczą algorytmy wspomagane sztuczną inteligencją, pomogą naukowcom lepiej zrozumieć fizykę cząstek i są użyteczne w porównaniach wyników uzyskanych w dużych eksperymentach fizyki cząstek (takich jak te prowadzone w Wielkim Zderzaczu Hadronów CERN). Porównując wyniki dużych eksperymentów z algorytmami sztucznej inteligencji, naukowcy mogą uzyskać lepsze pojęcie o tym, jak ich modele fizyczne powinny być ograniczone, a kiedy te modele zawodzą.

Obecnie jedyną metodą, której naukowcy mogą zaufać w badaniach Modelu Standardowego fizyki cząstek, jest metoda, w której pobiera się próbki/zdjęcia fluktuacji występujących w próżni. Naukowcy mogą uzyskać wgląd w właściwości cząstek i to, co się dzieje, gdy te cząstki zderzają się. Jednak pobieranie próbek w ten sposób jest kosztowne, a istnieje nadzieja, że techniki sztucznej inteligencji mogą uczynić pobieranie próbek tańszym i bardziej efektywnym procesem. Zdjęcia próżni mogą być wykorzystane podobnie jak dane szkoleniowe w modelu sztucznej inteligencji z widzeniem komputerowym. Kwantowe zdjęcia są wykorzystywane do szkolenia modelu, który może tworzyć próbki w sposób znacznie bardziej efektywny, co jest osiągane przez pobieranie próbek w łatwo dostępnym przestrzeni i przepuszczanie próbek przez wyszkolony model.

Badania stworzyły ramy mające na celu usprawnienie procesu tworzenia modeli sztucznej inteligencji opartych na symetriach fizyki. Ramy te zostały już zastosowane do prostszych problemów fizyki i zespół badawczy próbuje teraz rozszerzyć swój podejście, aby działało z najnowocześniejszymi obliczeniami. Jak wyjaśnił Kanwar za pośrednictwem Phys.org:

„Myślę, że udowodniliśmy w ciągu ostatniego roku, że istnieje wiele obietnic w łączeniu wiedzy fizycznej z technikami sztucznej inteligencji. Aktywnie myślimy o tym, jak pokonać pozostałe bariery na drodze do wykonywania pełnoskalowych symulacji przy użyciu naszego podejścia. Mam nadzieję, że zobaczę pierwsze zastosowanie tych metod w obliczeniach w skali w ciągu najbliższych kilku lat.”