Inteligência Artificial Aumenta a Velocidade das Descobertas em Física de Partículas

Pesquisadores do MIT demonstraram recentemente que a utilização de inteligência artificial para simular aspectos de partículas e teorias de física nuclear pode levar a algoritmos mais rápidos e, portanto, a descobertas mais rápidas quando se trata de física teórica. A equipe de pesquisa do MIT combinou física teórica com modelos de IA para acelerar a criação de amostras que simulam interações entre nêutrons, prótons e núcleos.

Existem quatro forças fundamentais que governam o universo: gravidade, eletromagnetismo, força fraca e força forte. As forças forte, fraca e eletromagnética são estudadas por meio da física de partículas. O método tradicional de estudar interações de partículas requer a execução de simulações numéricas dessas interações entre partículas, geralmente ocorrendo em 1/10 ou 1/100 do tamanho de um próton. Esses estudos podem levar muito tempo para serem concluídos devido à limitação do poder de processamento, e existem muitos problemas que os físicos sabem como abordar teoricamente, mas não podem resolver devido a limitações computacionais.

O professor de Física do MIT, Phiala Shanahan, é o chefe de um grupo de pesquisa que utiliza modelos de aprendizado de máquina para criar novos algoritmos que possam acelerar os estudos de física de partículas. As simetrias encontradas nas teorias de física (características do sistema físico que permanecem constantes mesmo quando as condições mudam) podem ser incorporadas a algoritmos de aprendizado de máquina para produzir algoritmos mais adequados para estudos de física de partículas. Shanahan explicou que os modelos de aprendizado de máquina não estão sendo utilizados para processar grandes quantidades de dados, mas sim para integrar simetrias de partículas, e a inclusão desses atributos dentro de um modelo significa que os cálculos podem ser feitos mais rapidamente.

O projeto de pesquisa foi liderado por Shanahan e inclui vários membros da equipe de Física Teórica da NYU, bem como pesquisadores de aprendizado de máquina do Google DeepMind. O estudo recente é apenas um de uma série de estudos em andamento e recentemente concluídos que visam aproveitar o poder do aprendizado de máquina para resolver problemas de física teórica que são atualmente impossíveis com esquemas de computação modernos. De acordo com o estudante de pós-graduação do MIT, Gurtej Kanwar, os problemas que os algoritmos impulsionados por aprendizado de máquina estão tentando resolver ajudarão os cientistas a entender mais sobre física de partículas e são úteis para fazer comparações contra resultados derivados de experimentos de física de partículas em grande escala (como os realizados no Large Hadron Collider do CERN). Ao comparar os resultados dos experimentos em grande escala com os algoritmos de IA, os cientistas podem obter uma ideia melhor de como seus modelos de física devem ser restritos e quando esses modelos falham.

Atualmente, o único método que os cientistas podem usar de forma confiável para investigar o Modelo Padrão de física de partículas é um método em que amostras / instantâneos são tirados de flutuações ocorrendo em um vácuo. Os pesquisadores podem obter insights sobre as propriedades das partículas e o que acontece quando essas partículas colidem. No entanto, tirar amostras como essas é caro e espera-se que as técnicas de IA possam tornar o processo de amostragem mais barato e eficiente. Os instantâneos tirados do vácuo podem ser usados de forma semelhante a dados de treinamento de imagem em um modelo de visão computacional de IA. Os instantâneos quânticos são usados para treinar um modelo que pode criar amostras de forma mais eficiente, realizada tirando amostras em um espaço fácil de amostrar e passando as amostras pelo modelo treinado.

A pesquisa criou uma estrutura destinada a simplificar o processo de criação de modelos de aprendizado de máquina baseados em simetrias de física. A estrutura já foi aplicada a problemas de física mais simples e a equipe de pesquisa agora está tentando escalar sua abordagem para funcionar com cálculos de ponta. Como Kanwar explicou via Phys.org:

“Acho que mostramos ao longo do último ano que há muito potencial em combinar conhecimento de física com técnicas de aprendizado de máquina. Estamos ativamente pensando em como superar as barreiras restantes no caminho para realizar simulações em grande escala usando nossa abordagem. Espero ver a primeira aplicação desses métodos a cálculos em grande escala nos próximos dois anos.”