Штучний інтелект підвищує швидкість відкриттів у фізиці частинок

Дослідники з Массачусетського технологічного інституту (MIT) нещодавно продемонстрували, що використання штучного інтелекту для симуляції аспектів частинок і ядерної фізики теорій може привести до швидших алгоритмів, а отже, і швидших відкриттів у теоретичній фізиці. Дослідницька група MIT об’єднала теоретичну фізику з моделями штучного інтелекту, щоб прискорити створення зразків, які симулюють взаємодію між нейтронами, протонами і ядрами.

Існують чотири фундаментальні сили, що керують Всесвітом: гравітація, електромагнетизм, слабка сила і сильна сила. Сильна, слабка і електромагнітна сили вивчаються в рамках фізики частинок. Традиційний метод вивчення взаємодії частинок полягає у виконанні числових симуляцій цих взаємодій між частинками, зазвичай на рівні 1/10 або 1/100 розміру протона. Ці дослідження можуть тривати довго через обмежену обчислювальну потужність, і є багато проблем, які фізики знають, як подолати в теорії, але не можуть адресувати через обчислювальні обмеження.

Професор фізики Массачусетського технологічного інституту Фіала Шанахан керує дослідницькою групою, яка використовує моделі машинного навчання для створення нових алгоритмів, які можуть прискорити дослідження фізики частинок. Симетрії, знайдені в фізичних теоріях (ознаки фізичної системи, які залишаються сталими навіть при зміні умов), можуть бути включені в алгоритми машинного навчання для створення алгоритмів, більш підходящих для досліджень фізики частинок. Шанахан пояснив, що моделі машинного навчання не використовуються для обробки великих обсягів даних, а використовуються для інтеграції симетрій частинок, і включення цих атрибутів в модель означає, що обчислення можуть бути виконані швидше.

Дослідницький проєкт був очолений Шанаханом і включав кілька членів теоретичної фізичної групи Нью-Йоркського університету (NYU), а також дослідників машинного навчання з Google DeepMind. Останнє дослідження є лише одним з ряду тривалих і недавно завершених досліджень, спрямованих на використання можливостей машинного навчання для вирішення проблем теоретичної фізики, які зараз неможливі з сучасними схемами обчислень. За словами аспіранта MIT Гуртеджа Канвара, проблеми, які алгоритми, підвищені машинним навчанням, намагаються вирішити, допоможуть вченим краще зрозуміти фізику частинок, і вони корисні для порівняння результатів, отриманих великомасштабними експериментами з фізикою частинок (наприклад,那些, що проводяться в Великому адронному колайдері CERN). Порівнюючи результати великомасштабних експериментів з алгоритмами штучного інтелекту, вчені можуть краще зрозуміти, як їхні фізичні моделі повинні бути обмежені, і коли ці моделі виходять з ладу.

Наразі єдиний метод, яким вчені можуть надійно використовувати для дослідження Стандартної моделі фізики частинок, полягає в тому, щоб брати зразки/знімки флуктуацій, що відбуваються в вакуумі. Дослідники можуть отримати уявлення про властивості частинок і те, що відбувається, коли ці частинки зіштовхуються. Однак отримання таких зразків є дорогим, і сподіваються, що техніки штучного інтелекту можуть зробити процес отримання зразків дешевшим і більш ефективним. Знімки вакууму можна використовувати подібно до навчальних даних зображень у моделі комп’ютерного зору штучного інтелекту. Квантові знімки використовуються для навчання моделі, яка може створювати зразки більш ефективним чином, що досягається шляхом отримання зразків у просторі, легко доступному для вибірки, і проходження цих зразків через навчену модель.

Дослідження створило rámework, призначений для оптимізації процесу створення моделей машинного навчання на основі фізичних симетрій. Цей rámework вже був застосований до простіших фізичних проблем, і дослідницька група зараз намагається розширити свій підхід для роботи з передовими розрахунками. Як пояснив Канвар через Phys.org:

“Я думаю, що ми показали за останній рік, що існує багато обнадійливого в поєднанні фізичних знань з техніками машинного навчання. Ми активно думаємо про те, як подолати залишені бар’єри на шляху виконання повномасштабних симуляцій за допомогою нашого підходу. Я сподіваюсь побачити перше застосування цих методів до розрахунків у масштабі протягом наступних двох років.”