Yapay Zeka, Parçacık Fiziği Keşiflerinin Hızını Artırıyor

MIT’deki araştırmacılar, yapay zekayı parçacık ve nükleer fizik teorilerinin simülasyonlarında kullanmanın, daha hızlı algoritmalar ve dolayısıyla teorik fizikte daha hızlı keşiflere yol açabileceğini gösterdiler. MIT araştırma ekibi, teorik fizik ile AI modellerini birleştirdi ve nötronlar, protonlar ve çekirdekler arasındaki etkileşimleri simüle eden örneklerin oluşturulmasını hızlandırdı.

Evreni yöneten dört temel kuvvet vardır: yerçekimi, elektromanyetizm, zayıf kuvvet ve güçlü kuvvet. Güçlü, zayıf ve elektromanyetik kuvvetler, parçacık fiziği aracılığıyla incelenir. Parçacık etkileşimlerini incelemenin geleneksel yöntemi, parçacıklar arasındaki etkileşimlerin sayısal simülasyonlarını çalıştırmayı içerir, genellikle bir protonun boyutunun 1/10’u veya 1/100’ü kadar küçük ölçekte. Bu çalışmalar, sınırlı hesaplama gücünden dolayı uzun zaman alabilir ve fizikçiler teoride nasıl ele alınacağını bildikleri ancak hesaplamalı sınırlamalar nedeniyle ele alamadıkları birçok problem vardır.

MIT Fizik Profesörü Phiala Shanahan, makine öğrenimi modellerini kullanarak parçacık fiziği çalışmalarını hızlandırabilecek yeni algoritmalar geliştiren bir araştırma grubunun başkanıdır. Fizik teorilerinde bulunan simetriler (şartlar değişse bile değişmeyen fiziksel sistem özellikleri), makine öğrenimi algoritmalarına dahil edilebilir ve bu da parçacık fiziği çalışmalarına daha uygun algoritmalar üretir. Shanahan, makine öğrenimi modellerinin büyük miktarda veri işlemede kullanılmadığını, parçacık simetrilerini entegre ettiğini ve bu özelliklerin bir model içinde dahil edilmesi sayesinde hesaplamaların daha hızlı yapılabileceğini açıkladı.

Araştırma projesi Shanahan tarafından yürütüldü ve NYU’daki Teorik Fizik ekibinin birkaç üyesi ve Google DeepMind’den makine öğrenimi araştırmacıları dahil edildi. Recent çalışma, teorik fizik problemlerini çözmek için makine öğreniminin gücünü kullanmaya yönelik devam eden ve最近 tamamlanan bir dizi çalışmanın sadece biridir. MIT lisansüstü öğrencisi Gurtej Kanwar’a göre, makine öğrenimi ile güçlendirilmiş algoritmaların çözmeye çalıştığı problemler, bilim insanlarının parçacık fiziği hakkında daha fazla bilgi edinmesine yardımcı olacak ve bunlar, büyük ölçekli parçacık fiziği deneylerinin (CERN’in Büyük Hadron Çarpıştırıcısı’nda yürütülen deneyler gibi) sonuçlarıyla karşılaştırılabilir. Büyük ölçekli deneylerin sonuçlarını AI algoritmalarıyla karşılaştıran bilim insanları, fizik modellerinin nasıl kısıtlanması gerektiğini ve bu modellerin nerede bozulduğunu daha iyi anlayabilirler.

Şu anda, bilim insanlarının Güvenli Modeli parçacık fiziğini güvenilir bir şekilde araştırmak için kullanabilecekleri tek yöntem, vakumda oluşan dalgalanmaların örneklerini almaktır. Araştırmacılar, parçacıkların özelliklerine ve bunların çarpıştıklarında neler olduğuna dair bilgi edinebilirler. Ancak, bu örneklerin alınması pahalı bir işlemdir ve umuluyor ki AI teknikleri bu örneklerin alınmasını daha ucuz ve daha verimli bir süreç haline getirebilir. Vakumun görüntüleri, bir bilgisayar görme AI modelinde eğitim verisi gibi kullanılabilir. Kuantum görüntüleri, daha verimli bir şekilde örnek oluşturabilecek bir modeli eğitmek için kullanılır, bu da kolayca örnek alınan bir alanda örnekler alınarak ve bu örneklerin eğitilen modele geçirilmesiyle gerçekleştirilir.

Araştırma, fizik simetrilerine dayalı makine öğrenimi modellerini oluşturmayı kolaylaştıran bir çerçeve oluşturdu. Bu çerçeve, daha basit fizik problemlerine zaten uygulanmıştır ve araştırma ekibi şimdi yaklaşımını daha ileri hesaplamalarla çalışacak şekilde ölçeklendirmeye çalışıyor. Kanwar, Phys.org’a açıkladı ki:

“Son bir yıl içinde, fizik bilgisini makine öğrenimi teknikleriyle birleştirmenin çok fazla vaadi olduğunu gösterdik. Tam ölçekli simülasyonları bizim yaklaşımımızla gerçekleştirmenin önünde kalan engelleri nasıl aşacağımızı aktif olarak düşünüyoruz. Bu yöntemlerin hesaplamalara büyük ölçekli olarak uygulanmasının ilk örneklerini önümüzdeki iki yıl içinde görmeyi umuyorum.”