Kecerdasan Buatan Ningkatkeun Kagancangan Papanggihan Pikeun Fisika Partikel

Panaliti di MIT nembe nunjukkeun yén ngagunakeun intelijen buatan pikeun nyontokeun aspék partikel sareng téori fisika nuklir tiasa nyababkeun algoritma anu langkung gancang, sareng ku kituna panemuan anu langkung gancang dina fisika téoritis. Tim peneliti MIT ngagabungkeun fisika téoritis sareng AI model pikeun ngagancangkeun kreasi sampel nu simulate interaksi antara neutron, proton, jeung inti.

Aya opat gaya dasar anu ngatur alam semesta: gravitasi, éléktromagnétik, gaya lemah, jeung gaya kuat. Gaya kuat, lemah, jeung éléktromagnétik diulik ngaliwatan fisika partikel. Métode tradisional pikeun ngulik interaksi partikel merlukeun ngajalankeun simulasi numerik tina interaksi ieu antara partikel, ilaharna lumangsung dina 1/10th atawa 1/100th ukuran proton. Panaliti ieu tiasa lami kanggo réngsé kusabab kakuatan komputasi anu terbatas, sareng aya seueur masalah anu ahli fisika terang kumaha cara ngungkulan dina téori tapi henteu tiasa ngémutan kana watesan komputasi.

Profésor Fisika MIT Phiala Shanahan nyaéta kapala grup panalungtikan anu ngagunakeun modél pembelajaran mesin pikeun nyieun algoritma anyar anu bisa nyepetkeun studi fisika partikel. Simétri anu kapanggih dina téori fisika (fitur sistem fisik anu tetep konstan sanajan kaayaan robah) bisa diasupkeun kana algoritma pembelajaran mesin pikeun ngahasilkeun algoritma anu leuwih cocog pikeun studi fisika partikel. Shanahan ngécéskeun yén modél pembelajaran mesin henteu dianggo pikeun ngolah data anu ageung, tapi dianggo pikeun ngahijikeun simetri partikel, sareng kalebet atribut ieu dina modél hartosna komputasi tiasa dilakukeun langkung gancang.

Proyék panalungtikan dipingpin ku Shanahan sareng kalebet sababaraha anggota tim Fisika Téori di NYU, ogé panalungtik mesin-learning ti Google DeepMind. Ulikan panganyarna téh ngan salah sahiji runtuyan studi lumangsung sarta nembe réngsé aimed di leveraging kakuatan mesin learning pikeun ngajawab masalah fisika téoritis anu ayeuna teu mungkin jeung skéma komputasi modern. Numutkeun ka mahasiswa pascasarjana MIT Gurtej Kanwar, masalah-masalah anu didorong ku algoritma mesin-learning anu nyobian direngsekeun bakal ngabantosan para ilmuwan ngartos langkung seueur ngeunaan fisika partikel, sareng aranjeunna mangpaat pikeun ngabandingkeun hasil anu diturunkeun ku ékspérimén fisika partikel skala ageung (sapertos éta. dilaksanakeun di CERN's Large Hadron Collider). Ku ngabandingkeun hasil ékspérimén skala ageung sareng algoritma AI, para ilmuwan tiasa nampi ide anu langkung saé ngeunaan kumaha modél fisikana kedah dibatesan, sareng nalika modél éta rusak.

Ayeuna, hiji-hijina métode anu bisa dipercaya ku élmuwan pikeun nalungtik Modél Standar fisika partikel nyaéta hiji-hijina cara pikeun nyokot sampel/snapshots tina fluktuasi anu lumangsung dina vakum. Panalungtik bisa meunangkeun wawasan ngeunaan sipat partikel jeung naon anu lumangsung lamun partikel maranéhanana tabrakan. Nanging, nyandak conto sapertos ieu mahal sareng dipiharep téknik AI tiasa ngajantenkeun nyandak conto langkung mirah, prosés anu langkung éfisién. Potret anu dicandak tina vakum tiasa dianggo sapertos data latihan gambar dina modél AI visi komputer. Potret kuantum dianggo pikeun ngalatih modél anu tiasa nyiptakeun conto ku cara anu langkung éfisién, dilakukeun ku cara nyandak conto dina rohangan anu gampang diconto sareng ngajalankeun conto ngaliwatan modél anu dilatih.

Panalungtikan geus nyieun kerangka dimaksudkeun pikeun streamline prosés nyieun model mesin-learning dumasar kana simetri fisika. Kerangka ieu parantos diterapkeun kana masalah fisika anu langkung saderhana sareng tim panaliti ayeuna narékahan pikeun skala pendekatan pikeun dianggo kalayan itungan anu canggih. Salaku Kanwar dipedar via Phys.org:

"Kuring pikir urang parantos nunjukkeun dina taun katukang yén aya seueur jangji dina ngagabungkeun pangaweruh fisika sareng téknik pembelajaran mesin. Kami aktip mikir ngeunaan kumaha carana nungkulan halangan sésana dina cara ngajalankeun simulasi skala pinuh ngagunakeun pendekatan urang. Abdi ngarepkeun tiasa ningali aplikasi munggaran metode ieu pikeun itungan dina skala dina sababaraha taun ka hareup.