ปัญญาประดิษฐ์ช่วยเพิ่มความเร็วของการค้นพบสำหรับฟิสิกส์ของอนุภาค

นักวิจัยที่ MIT ได้แสดงให้เห็นว่าการใช้ปัญญาประดิษฐ์ในการจำลองลักษณะของอนุภาคและทฤษฎีฟิสิกส์นิวเคลียร์สามารถนำไปสู่อัลกอริทึมที่เร็วขึ้น และดังนั้นจึงมีการค้นพบที่เร็วขึ้นเมื่อพูดถึงฟิสิกส์ทฤษฎี ทีมวิจัยของ MIT รวมฟิสิกส์ทฤษฎีกับโมเดล AI เพื่อเร่งการสร้างตัวอย่างที่จำลองการโต้ตอบระหว่างนิวตรอน โปรตอน และนิวเคลียส

มีแรงพื้นฐานสี่ชนิดที่ควบคุมจักรวาล: ความโน้มถ่วง อิเล็กโตรแมกเนติกซ์ม 力อ่อน และแรงแข็ง ฟิสิกส์ของอนุภาคศึกษาความเข้มแข็ง ความอ่อน และอิเล็กโตรแมกเนติกซ์ม วิธีการแบบดั้งเดิมในการศึกษาการโต้ตอบของอนุภาคต้องใช้การจำลองตัวเลขของการโต้ตอบเหล่านี้ระหว่างอนุภาค ซึ่งโดยทั่วไปจะเกิดขึ้นที่ 1/10 หรือ 1/100 ของขนาดของโปรตอน การศึกษานี้อาจใช้เวลานานในการ完成เนื่องจากข้อจำกัดของกำลังการคำนวณ และมีปัญหามากที่นักฟิสิกส์ทราบวิธีแก้ไขในทางทฤษฎี แต่ไม่สามารถแก้ไขได้เนื่องจากข้อจำกัดด้านการคำนวณ

ศาสตราจารย์ Phiala Shanahan ของ MIT เป็นหัวหน้ากลุ่มวิจัยที่ใช้โมเดลการเรียนรู้ของเครื่องเพื่อสร้างอัลกอริทึมใหม่ที่สามารถเร่งการวิจัยฟิสิกส์ของอนุภาคได้ ความสมมาตรที่พบในทฤษฎีฟิสิกส์ (คุณลักษณะของระบบทางกายภาพที่ยังคงเท่าเดิมแม้ว่าสภาพจะเปลี่ยนแปลงไป) สามารถรวมเข้ากับอัลกอริทึมการเรียนรู้ของเครื่องเพื่อสร้างอัลกอริทึมที่เหมาะสมกว่าสำหรับการวิจัยฟิสิกส์ของอนุภาค Shanahan อธิบายว่าโมเดลการเรียนรู้ของเครื่องไม่ได้ใช้ในการประมวลผลข้อมูลจำนวนมาก แต่จะใช้ในการรวมสมมาตรของอนุภาค และการรวมคุณลักษณะเหล่านี้เข้าในโมเดลหมายความว่าการคำนวณสามารถทำได้เร็วขึ้น

โครงการวิจัยนี้นำโดย Shanahan และรวมสมาชิกหลายคนจากทีมฟิสิกส์ทฤษฎีที่ NYU เช่นเดียวกับนักวิจัยการเรียนรู้ของเครื่องจาก Google DeepMind การศึกษาล่าสุดนี้เป็นเพียงหนึ่งในหลายๆ การศึกษาที่กำลังดำเนินอยู่และเสร็จสิ้นแล้วที่มีเป้าหมายในการใช้พลังของการเรียนรู้ของเครื่องเพื่อแก้ไขปัญหาฟิสิกส์ทฤษฎีที่ปัจจุบันไม่สามารถทำได้ด้วยสเคมาการคำนวณสมัยใหม่ ตามที่ Gurtej Kanwar นักศึกษาปริญญาโทของ MIT ระบุว่าปัญหาที่อัลกอริทึมที่ได้รับการเพิ่มประสิทธิภาพจากการเรียนรู้ของเครื่องพยายามแก้ไขจะช่วยให้นักวิทยาศาสตร์เข้าใจฟิสิกส์ของอนุภาคได้ดีขึ้น และมีประโยชน์ในการเปรียบเทียบกับผลลัพธ์ที่ได้จากการทดลองฟิสิกส์ของอนุภาคขนาดใหญ่ (เช่นที่ดำเนินการ ณ Large Hadron Collider ของ CERN) โดยการเปรียบเทียบผลลัพธ์ของการทดลองขนาดใหญ่ด้วยอัลกอริทึม AI นักวิทยาศาสตร์สามารถมีความเข้าใจที่ดีขึ้นเกี่ยวกับวิธีการที่ควรจำกัดโมเดลฟิสิกส์ของตน และเมื่อใดที่โมเดลเหล่านั้นล้มเหลว

ปัจจุบัน วิธีเดียวที่นักวิทยาศาสตร์สามารถใช้เพื่อสอบสวนแบบจำลองมาตรฐานของฟิสิกส์ของอนุภาคได้อย่างน่าเชื่อถือคือวิธีที่ตัวอย่าง/ภาพถ่ายถูกถ่ายจากการแกว่งเกิดขึ้นใน真空 นักวิจัยสามารถมองเห็นคุณสมบัติของอนุภาคและสิ่งที่เกิดขึ้นเมื่ออนุภาคเหล่านั้นชนกัน อย่างไรก็ตาม การใช้ตัวอย่างเหล่านี้มีค่าใช้จ่ายสูง และหวังว่าเทคนิค AI จะทำให้การสร้างตัวอย่างเป็นกระบวนการที่ถูกกว่าและมีประสิทธิภาพมากขึ้น ภาพถ่ายของ真空สามารถใช้ได้เหมือนกับข้อมูลการฝึกอบรมภาพในโมเดลการมองเห็นของ AI ตัวอย่างเชิง量ัมถูกใช้ในการฝึกอบรมโมเดลที่สามารถสร้างตัวอย่างได้อย่างมีประสิทธิภาพมากขึ้น โดยการสร้างตัวอย่างในพื้นที่ที่สามารถตัวอย่างได้ง่ายและผ่านตัวอย่างผ่านโมเดลที่ฝึกอบรมแล้ว

การวิจัยได้สร้างเฟรมเวิร์กที่มีจุดมุ่งหมายเพื่อทำให้กระบวนการสร้างโมเดลการเรียนรู้ของเครื่องตามสมมาตรของฟิสิกส์เป็นไปอย่างราบรื่น เฟรมเวิร์กนี้ได้ถูกนำไปใช้กับปัญหาฟิสิกส์ที่เรียบง่ายแล้ว และทีมวิจัยกำลังพยายามขยายวิธีการของตนให้ทำงานกับการคำนวณระดับแนวหน้า ตามที่ Kanwar อธิบายผ่าน Phys.org:

“ฉันคิดว่าเราได้แสดงให้เห็นในช่วงปีที่แล้วว่ามีหลายสิ่งที่น่าหวังในการผสมผสานความรู้ด้านฟิสิกส์กับเทคนิคการเรียนรู้ของเครื่อง เรากำลังคิดอย่างแข็งขันเกี่ยวกับวิธีการที่จะเอาชนะอุปสรรคที่เหลืออยู่ในการดำเนินการสิมูเลชั่นแบบเต็มรูปแบบโดยใช้วิธีการของเรา ฉันหวังว่าจะได้เห็นการประยุกต์ใช้แรกของวิธีการเหล่านี้ในการคำนวณขนาดใหญ่ในอีกสองสามปีข้างหน้า”