Konstgjord intelligens förbättrar upptäckternas hastighet inom partikelfysik

Forskare vid MIT har nyligen visat att användning av konstgjord intelligens för att simulera aspekter av partiklar och kärnfysikteorier kan leda till snabbare algoritmer och därmed snabbare upptäckter inom teoretisk fysik. MIT-forskningsgruppen kombinerade teoretisk fysik med AI-modeller för att accelerera skapandet av prover som simulerar interaktioner mellan neutroner, protoner och kärnor.

Det finns fyra grundläggande krafter som styr universum: gravitation, elektromagnetism, den svaga kraften och den starka kraften. Den starka, svaga och elektromagnetiska kraften studeras genom partikelfysik. Den traditionella metoden för att studera partikelinteraktioner kräver numeriska simuleringar av dessa interaktioner mellan partiklar, vanligtvis på 1/10 eller 1/100 av storleken på en proton. Dessa studier kan ta lång tid att slutföra på grund av begränsad beräkningskraft, och det finns många problem som fysiker vet hur de ska tackla i teorin men inte kan hantera på grund av beräkningsbegränsningar.

MIT-fysikprofessorn Phiala Shanahan är chef för en forskargrupp som använder maskinlärningsmodeller för att skapa nya algoritmer som kan påskynda partikelfysikstudier. Symmetrierna som finns inom fysikteorier (egenskaper hos det fysiska systemet som förblir konstanta även när förhållandena ändras) kan införlivas i maskinlärningsalgoritmer för att producera algoritmer som är mer lämpliga för partikelfysikstudier. Shanahan förklarade att maskinlärningsmodellerna inte används för att bearbeta stora mängder data, utan snarare för att integrera partikelsymmetrier, och att införlivandet av dessa attribut i en modell innebär att beräkningar kan utföras snabbare.

Forskningsprojektet leddes av Shanahan och inkluderade flera medlemmar av den teoretiska fysikgruppen vid NYU, samt maskinlärningsforskare från Google DeepMind. Den senaste studien är bara en av en serie pågående och nyligen slutförda studier som syftar till att utnyttja kraften i maskinlärning för att lösa teoretiska fysikproblem som för närvarande är omöjliga med moderna beräkningsscheman. Enligt MIT-studenten Gurtej Kanwar kommer de problem som maskinlärningsförstärkta algoritmer försöker lösa att hjälpa forskare att förstå mer om partikelfysik, och de är användbara för att göra jämförelser mot resultat som härrör från storskaliga partikelfysikexperiment (såsom de som utförs vid CERN:s Large Hadron Collider). Genom att jämföra resultaten från de storskaliga experimenten med AI-algoritmerna kan forskare få en bättre uppfattning om hur deras fysikmodeller bör begränsas, och när dessa modeller bryter samman.

För närvarande är den enda metoden som forskare kan använda för att undersöka standardmodellen för partikelfysik en där prover/skärmdumpar tas av fluktuationer som uppstår i ett vakuum. Forskare kan få insikt i egenskaperna hos partiklarna och vad som händer när dessa partiklar kolliderar. Men att ta prover på detta sätt är dyrt och det hoppas att AI-tekniker kan göra att ta prover blir en billigare och mer effektiv process. Skärmdumparna som tas av vakuum kan användas på samma sätt som bildträningsdata i en datorseende AI-modell. De kvantmekaniska skärmdumparna används för att träna en modell som kan skapa prover på ett mycket mer effektivt sätt, vilket uppnås genom att ta prover i ett lättillgängligt utrymme och köra proverna genom den tränade modellen.

Forskningen har skapat en ram som avser att effektivisera processen för att skapa maskinlärningsmodeller baserade på fysiksymmetrier. Ramverket har redan tillämpats på enklare fysikproblem och forskargruppen försöker nu skala upp sin metod för att fungera med toppmoderna beräkningar. Som Kanwar förklarade via Phys.org:

“Jag tror att vi har visat under det senaste året att det finns mycket löfte i att kombinera fysikkunskap med maskinlärningstekniker. Vi tänker aktivt på hur vi ska hantera de återstående hindren för att utföra fullskaliga simuleringar med vår metod. Jag hoppas att se den första tillämpningen av dessa metoder för beräkningar i stor skala inom de närmaste åren.”