Штучний інтелект збільшує швидкість відкриттів для фізики елементарних частинок

Дослідники з Массачусетського технологічного інституту нещодавно продемонстрували, що використання штучного інтелекту для моделювання аспектів теорій частинок і ядерної фізики може призвести до швидших алгоритмів і, отже, швидших відкриттів, коли справа стосується теоретичної фізики. Дослідницька група MIT поєднала теоретичну фізику з ШІ моделі для прискорення створення зразків, які імітують взаємодію між нейтронами, протонами та ядрами.

Є чотири фундаментальні сили, які керують Всесвітом: гравітація, електромагнетизм, слабка сила та сильна сила. Сильні, слабкі та електромагнітні сили вивчаються за допомогою фізики елементарних частинок. Традиційний метод вивчення взаємодії частинок вимагає чисельного моделювання цих взаємодій між частинками, які зазвичай відбуваються на 1/10 або 1/100 розміру протона. Завершення цих досліджень може зайняти багато часу через обмежену обчислювальну потужність, і є багато проблем, які фізики знають, як вирішити в теорії, але не можуть вирішити зазначені обчислювальні обмеження.

Професор фізики Массачусетського технологічного інституту Фіала Шанахан очолює дослідницьку групу, яка використовує моделі машинного навчання для створення нових алгоритмів, які можуть прискорити дослідження фізики елементарних частинок. Симетрії, знайдені в теоріях фізики (характеристики фізичної системи, які залишаються постійними навіть при зміні умов), можна включити в алгоритми машинного навчання для створення алгоритмів, які більше підходять для досліджень фізики елементарних частинок. Шанахан пояснив, що моделі машинного навчання не використовуються для обробки великих обсягів даних, скоріше вони використовуються для інтеграції симетрії частинок, а включення цих атрибутів у модель означає, що обчислення можна виконувати швидше.

Дослідницький проект очолив Шанахан, і він включає кількох членів групи теоретичної фізики Нью-Йоркського університету, а також дослідників машинного навчання з Google DeepMind. Нещодавнє дослідження є лише одним із серії поточних і нещодавно завершених досліджень, спрямованих на використання можливостей машинного навчання для вирішення проблем теоретичної фізики, які зараз неможливі за допомогою сучасних обчислювальних схем. За словами аспіранта Массачусетського технологічного інституту Гуртея Канвара, проблеми, які намагаються вирішити алгоритми, підсилені машинним навчанням, допоможуть вченим краще зрозуміти фізику елементарних частинок, і вони корисні для порівняння з результатами, отриманими в результаті великомасштабних експериментів з фізики елементарних частинок (наприклад, проведені на Великому адронному колайдері CERN). Порівнюючи результати великомасштабних експериментів з алгоритмами штучного інтелекту, вчені можуть отримати краще уявлення про те, як мають бути обмежені їхні фізичні моделі та коли ці моделі виходять з ладу.

Наразі єдиним методом, який науковці можуть надійно використовувати для дослідження Стандартної моделі фізики елементарних частинок, є метод, у якому беруться зразки/миттєві знімки флуктуацій, що відбуваються у вакуумі. Дослідники можуть отримати уявлення про властивості частинок і про те, що відбувається, коли ці частинки стикаються. Однак взяття таких зразків коштує дорого, і є надія, що методи штучного інтелекту зможуть зробити процес взяття проб дешевшим і ефективнішим. Миттєві знімки вакууму можна використовувати так само, як тренувальні дані зображення в моделі штучного інтелекту комп’ютерного зору. Квантові знімки використовуються для навчання моделі, яка може створювати зразки набагато ефективнішим способом, що досягається шляхом взяття зразків у зручному для вибірки просторі та запуску зразків через навчену модель.

Дослідження створило структуру, призначену для оптимізації процесу створення моделей машинного навчання на основі фізичних симетрій. Фреймворк уже застосовувався до простіших фізичних проблем, і зараз дослідницька група намагається розширити свій підхід до роботи з передовими обчисленнями. Як пояснив Канвар через Phys.org:

«Я вважаю, що за останній рік ми показали, що є багато перспектив у поєднанні знань фізики з технікою машинного навчання. Ми активно думаємо про те, як подолати бар’єри, що залишаються на шляху виконання повномасштабного моделювання за допомогою нашого підходу. Я сподіваюся побачити перше застосування цих методів для масштабних розрахунків у наступні пару років».