Искусственный интеллект увеличивает скорость открытий для физики элементарных частиц

Исследователи из Массачусетского технологического института недавно продемонстрировали, что использование искусственного интеллекта для моделирования аспектов теории частиц и ядерной физики может привести к более быстрым алгоритмам и, следовательно, более быстрым открытиям, когда речь идет о теоретической физике. Исследовательская группа Массачусетского технологического института объединила теоретическую физику с искусственным интеллектом модели для ускорения создания образцов, имитирующих взаимодействия между нейтронами, протонами и ядрами.

Есть четыре фундаментальные силы, которые управляют Вселенной: гравитация, электромагнетизм, слабое взаимодействие и сильное взаимодействие. Сильные, слабые и электромагнитные взаимодействия изучаются с помощью физики элементарных частиц. Традиционный метод изучения взаимодействий частиц требует проведения численного моделирования этих взаимодействий между частицами, обычно происходящего при размере 1/10 или 1/100 размера протона. Эти исследования могут занять много времени из-за ограниченной вычислительной мощности, и есть много проблем, которые физики знают, как решать в теории, но не могут решить указанные вычислительные ограничения.

Профессор физики Массачусетского технологического института Фиала Шанахан — глава исследовательской группы, которая использует модели машинного обучения для создания новых алгоритмов, которые могут ускорить исследования в области физики элементарных частиц. Симметрии, обнаруженные в физических теориях (особенности физической системы, которые остаются постоянными даже при изменении условий), могут быть включены в алгоритмы машинного обучения для создания алгоритмов, более подходящих для исследований в области физики элементарных частиц. Шанахан объяснил, что модели машинного обучения не используются для обработки больших объемов данных, а скорее для интеграции симметрии частиц, а включение этих атрибутов в модель означает, что вычисления можно выполнять быстрее.

Исследовательский проект возглавил Шанахан, и в него входят несколько членов группы теоретической физики Нью-Йоркского университета, а также исследователи машинного обучения из Google DeepMind. Недавнее исследование является лишь одним из серии текущих и недавно завершенных исследований, направленных на использование возможностей машинного обучения для решения задач теоретической физики, которые в настоящее время невозможны при использовании современных схем вычислений. По словам аспиранта Массачусетского технологического института Гуртея Канвара, проблемы, которые пытаются решить усиленные алгоритмы машинного обучения, помогут ученым лучше понять физику элементарных частиц, и они полезны для сравнения с результатами, полученными в крупномасштабных экспериментах по физике элементарных частиц (таких как на Большом адронном коллайдере ЦЕРН). Сравнивая результаты крупномасштабных экспериментов с алгоритмами искусственного интеллекта, ученые могут лучше понять, как следует ограничивать их физические модели и когда эти модели перестают работать.

В настоящее время единственный метод, который ученые могут надежно использовать для исследования Стандартной модели физики элементарных частиц, — это метод, при котором берутся образцы/снимки флуктуаций, происходящих в вакууме. Исследователи могут получить представление о свойствах частиц и о том, что происходит, когда эти частицы сталкиваются. Однако такой отбор проб обходится дорого, и есть надежда, что методы искусственного интеллекта сделают отбор проб более дешевым и эффективным процессом. Снимки, сделанные в вакууме, можно использовать так же, как данные обучения изображений в модели искусственного интеллекта компьютерного зрения. Квантовые снимки используются для обучения модели, которая может создавать выборки гораздо более эффективным способом, что достигается путем взятия выборок в удобном для выборки пространстве и их пропускания через обученную модель.

В ходе исследования была создана структура, предназначенная для оптимизации процесса создания моделей машинного обучения на основе физических симметрий. Эта структура уже была применена к более простым физическим задачам, и теперь исследовательская группа пытается расширить свой подход к работе с передовыми вычислениями. Как объяснил Канвар через Phys.org:

«Я думаю, что за последний год мы показали, что объединение знаний физики с методами машинного обучения дает большие надежды. Мы активно думаем о том, как устранить оставшиеся барьеры на пути к полномасштабному моделированию с использованием нашего подхода. Я надеюсь увидеть первое применение этих методов для масштабных вычислений в ближайшие пару лет».