ปัญญาประดิษฐ์ช่วยเพิ่มความเร็วในการค้นพบสำหรับฟิสิกส์ของอนุภาค

เมื่อเร็ว ๆ นี้ นักวิจัยจาก MIT ได้แสดงให้เห็นว่าการใช้ปัญญาประดิษฐ์เพื่อจำลองแง่มุมของอนุภาคและทฤษฎีฟิสิกส์นิวเคลียร์สามารถนำไปสู่อัลกอริทึมที่เร็วขึ้น และดังนั้นจึงค้นพบได้เร็วขึ้นเมื่อพูดถึงฟิสิกส์เชิงทฤษฎี ทีมวิจัยของ MIT ได้รวมทฤษฎีฟิสิกส์เข้ากับ AI แบบจำลองเพื่อเร่งการสร้างตัวอย่างที่จำลองปฏิสัมพันธ์ระหว่างนิวตรอน โปรตอน และนิวเคลียส

มีสี่แรงพื้นฐานที่ควบคุมจักรวาล: แรงโน้มถ่วง แม่เหล็กไฟฟ้า แรงอ่อน และแรง มีการศึกษาแรงที่แรง แรงที่อ่อน และแรงแม่เหล็กไฟฟ้าผ่านฟิสิกส์ของอนุภาค วิธีดั้งเดิมในการศึกษาอันตรกิริยาของอนุภาคต้องใช้การจำลองเชิงตัวเลขของอันตรกิริยาเหล่านี้ระหว่างอนุภาค โดยทั่วไปจะเกิดขึ้นที่ขนาด 1/10 หรือ 1/100 ของโปรตอน การศึกษาเหล่านี้อาจใช้เวลานานกว่าจะเสร็จสมบูรณ์เนื่องจากพลังการประมวลผลที่จำกัด และมีปัญหามากมายที่นักฟิสิกส์รู้วิธีจัดการในทางทฤษฎี แต่ไม่สามารถจัดการกับข้อจำกัดด้านการคำนวณดังกล่าวได้

ศาสตราจารย์ฟิสิกส์ของ MIT Phiala Shanahan เป็นหัวหน้ากลุ่มวิจัยที่ใช้โมเดลการเรียนรู้ของเครื่องเพื่อสร้างอัลกอริทึมใหม่ที่สามารถเร่งการศึกษาฟิสิกส์ของอนุภาคได้ ความสมมาตรที่พบในทฤษฎีฟิสิกส์ (คุณลักษณะของระบบกายภาพที่จะคงที่แม้สภาวะต่างๆ เปลี่ยนแปลง) สามารถรวมเข้ากับอัลกอริธึมการเรียนรู้ของเครื่องเพื่อสร้างอัลกอริธึมที่เหมาะสมกับการศึกษาฟิสิกส์ของอนุภาคมากขึ้น Shanahan อธิบายว่าโมเดลการเรียนรู้ของเครื่องไม่ได้ใช้ในการประมวลผลข้อมูลจำนวนมาก แต่ใช้เพื่อบูรณาการสมมาตรของอนุภาค และการรวมคุณลักษณะเหล่านี้ไว้ในแบบจำลองหมายความว่าการคำนวณสามารถทำได้รวดเร็วยิ่งขึ้น

โครงการวิจัยนี้นำโดย Shanahan และรวมถึงสมาชิกหลายคนในทีม Theoretical Physics ที่ NYU รวมถึงนักวิจัยด้านการเรียนรู้ด้วยเครื่องจาก Google DeepMind การศึกษาเมื่อเร็วๆ นี้เป็นเพียงหนึ่งในชุดของการศึกษาที่กำลังดำเนินอยู่และเพิ่งเสร็จสิ้นไปเมื่อเร็วๆ นี้ โดยมีจุดประสงค์เพื่อใช้ประโยชน์จากพลังของแมชชีนเลิร์นนิงเพื่อแก้ปัญหาทางฟิสิกส์เชิงทฤษฎีที่ปัจจุบันเป็นไปไม่ได้ด้วยสคีมาการคำนวณสมัยใหม่ ตามที่ Gurtej Kanwar นักศึกษาระดับบัณฑิตศึกษาของ MIT กล่าวว่าปัญหาที่อัลกอริธึมที่ส่งเสริมการเรียนรู้ด้วยเครื่องกำลังพยายามแก้ไขจะช่วยให้นักวิทยาศาสตร์เข้าใจมากขึ้นเกี่ยวกับฟิสิกส์ของอนุภาค และมีประโยชน์ในการเปรียบเทียบกับผลลัพธ์ที่ได้จากการทดลองทางฟิสิกส์ของอนุภาคขนาดใหญ่ (เช่น ดำเนินการที่ Large Hadron Collider ของ CERN) เมื่อเปรียบเทียบผลการทดลองขนาดใหญ่กับอัลกอริธึม AI นักวิทยาศาสตร์สามารถเข้าใจได้ดีขึ้นว่าโมเดลทางฟิสิกส์ควรถูกจำกัดอย่างไร และเมื่อใดที่โมเดลเหล่านั้นพัง

ในปัจจุบัน วิธีการเดียวที่นักวิทยาศาสตร์สามารถใช้เพื่อตรวจสอบแบบจำลองมาตรฐานของฟิสิกส์ของอนุภาคได้อย่างน่าเชื่อถือคือวิธีหนึ่งที่ใช้เก็บตัวอย่าง/สแนปชอตของความผันผวนที่เกิดขึ้นในสุญญากาศ นักวิจัยสามารถรับข้อมูลเชิงลึกเกี่ยวกับคุณสมบัติของอนุภาคและสิ่งที่เกิดขึ้นเมื่ออนุภาคเหล่านั้นชนกัน อย่างไรก็ตาม การเก็บตัวอย่างในลักษณะนี้มีราคาแพง และหวังว่าเทคนิค AI จะทำให้การเก็บตัวอย่างมีกระบวนการที่ถูกกว่าและมีประสิทธิภาพมากขึ้น สแน็ปช็อตที่ถ่ายจากสุญญากาศสามารถใช้งานได้เหมือนกับข้อมูลการฝึกภาพในโมเดล AI ของคอมพิวเตอร์วิทัศน์ สแน็ปช็อตควอนตัมใช้เพื่อฝึกแบบจำลองที่สามารถสร้างตัวอย่างได้อย่างมีประสิทธิภาพมากขึ้น โดยการเก็บตัวอย่างในพื้นที่ที่ง่ายต่อการเก็บตัวอย่าง และเรียกใช้ตัวอย่างผ่านแบบจำลองที่ได้รับการฝึก

การวิจัยได้สร้างกรอบการทำงานที่มีจุดประสงค์เพื่อปรับปรุงกระบวนการสร้างแบบจำลองการเรียนรู้ด้วยเครื่องตามความสมมาตรทางฟิสิกส์ เฟรมเวิร์กได้นำไปใช้กับปัญหาทางฟิสิกส์ที่ง่ายขึ้นแล้ว และทีมวิจัยกำลังพยายามขยายแนวทางการทำงานด้วยการคำนวณที่ทันสมัย Kanwar อธิบายผ่าน Phys.org:

“ฉันคิดว่าเราได้แสดงให้เห็นแล้วในปีที่ผ่านมาว่ามีความเป็นไปได้มากมายในการรวมความรู้ทางฟิสิกส์เข้ากับเทคนิคการเรียนรู้ของเครื่อง เรากำลังคิดอย่างแข็งขันเกี่ยวกับวิธีจัดการกับอุปสรรคที่เหลืออยู่ในการดำเนินการจำลองแบบเต็มรูปแบบโดยใช้แนวทางของเรา ฉันหวังว่าจะได้เห็นการนำวิธีการเหล่านี้ไปประยุกต์ใช้กับการคำนวณในระดับต่างๆ เป็นครั้งแรกในอีกไม่กี่ปีข้างหน้า”