Искусственный интеллект ускоряет открытия в физике частиц

Исследователи из Массачусетского технологического института (MIT) недавно продемонстрировали, что использование искусственного интеллекта для симуляции аспектов частиц и ядерной физики может привести к более быстрым алгоритмам и, следовательно, более быстрым открытиям в теоретической физике. Исследовательская группа MIT объединила теоретическую физику с моделями ИИ, чтобы ускорить создание образцов, симулирующих взаимодействия между нейтронами, протонами и ядрами.

Существуют четыре фундаментальные силы, которые управляют Вселенной: гравитация, электромагнетизм, слабая сила и сильная сила. Сильная, слабая и электромагнитная силы изучаются в физике частиц. Традиционный метод изучения взаимодействия частиц требует выполнения численных симуляций этих взаимодействий между частицами, обычно происходящих на 1/10 или 1/100 размера протона. Эти исследования могут занять много времени из-за ограниченной вычислительной мощности, и есть многие проблемы, которые физики знают, как решить теоретически, но не могут решить из-за вычислительных ограничений.

Профессор физики MIT Фиала Шанахан возглавляет исследовательскую группу, которая использует модели машинного обучения для создания новых алгоритмов, которые могут ускорить исследования физики частиц. Симметрии, найденные в физических теориях (особенности физической системы, которые остаются постоянными даже при изменении условий), могут быть включены в алгоритмы машинного обучения для получения алгоритмов, более подходящих для исследований физики частиц. Шанахан объяснил, что модели машинного обучения не используются для обработки больших объемов данных, а используются для интеграции симметрий частиц, и включение этих атрибутов в модель означает, что вычисления могут быть выполнены быстрее.

Исследовательский проект был возглавлен Шанаханом и включал несколько членов теоретической физической группы Нью-Йоркского университета (NYU), а также исследователей машинного обучения из Google DeepMind. Недавнее исследование является лишь одним из серии продолжающихся и недавно завершенных исследований, направленных на использование возможностей машинного обучения для решения теоретических физических проблем, которые в настоящее время невозможны с современными схемами вычислений. Согласно аспиранту MIT Гуртеджу Канвару, проблемы, которые алгоритмы, усиленные машинным обучением, пытаются решить, помогут ученым лучше понять физику частиц и будут полезны для сравнения результатов, полученных в результате крупномасштабных экспериментов по физике частиц (например, проводимых в Большом адронном коллайдере ЦЕРН). Сравнивая результаты крупномасштабных экспериментов с алгоритмами ИИ, ученые могут получить лучшее представление о том, как их физические модели должны быть ограничены, и когда эти модели разрушаются.

В настоящее время единственный метод, который ученые могут надежно использовать для изучения Стандартной модели физики 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 получение таких образцов является дорогим, и надеются, что методы ИИ могут сделать процесс получения образцов более дешевым и эффективным. Снимки вакуума можно использовать подобно обучающим данным изображений в модели компьютерного зрения ИИ. Квантовые снимки используются для обучения модели, которая может создавать образцы более эффективным образом, достигаемым путем получения образцов в легком для выборки пространстве и прохождения образцов через обученную модель.

Исследование создало框架, предназначенный для упрощения процесса создания моделей машинного обучения на основе физических симметрий. Этот框werk уже был применен к более простым физическим проблемам, и исследовательская группа сейчас пытается масштабировать свой подход для работы с передовыми расчетами. Как объяснил Канвар через Phys.org:

«Я думаю, что мы показали за последний год, что существует много обещаний в сочетании физических знаний с методами машинного обучения. Мы активно думаем о том, как преодолеть оставшиеся барьеры на пути к выполнению полномасштабных симуляций, используя наш подход. Надеюсь увидеть первое применение этих методов к расчетам в крупном масштабе в течение следующих нескольких лет».