Trí tuệ nhân tạo tăng tốc độ khám phá trong Vật lý hạt

Những nhà nghiên cứu tại MIT đã chứng minh gần đây rằng việc sử dụng trí tuệ nhân tạo để mô phỏng các khía cạnh của hạt và lý thuyết vật lý hạt nhân có thể dẫn đến các thuật toán nhanh hơn, và do đó, các khám phá nhanh hơn khi nói đến vật lý lý thuyết. Đội nghiên cứu MIT đã kết hợp vật lý lý thuyết với các mô hình trí tuệ nhân tạo để tăng tốc tạo mẫu mô phỏng các tương tác giữa neutron, proton và hạt nhân.

Có bốn lực cơ bản chi phối vũ trụ: trọng lực, điện từ, lực yếu và lực mạnh. Lực mạnh, yếu và điện từ được nghiên cứu thông qua vật lý hạt. Phương pháp truyền thống để nghiên cứu các tương tác hạt yêu cầu chạy các mô phỏng số của các tương tác này giữa các hạt, thường xảy ra ở kích thước 1/10 hoặc 1/100 kích thước của một proton. Những nghiên cứu này có thể mất nhiều thời gian để hoàn thành do hạn chế về khả năng tính toán, và có nhiều vấn đề mà các nhà vật lý biết cách giải quyết về mặt lý thuyết nhưng không thể giải quyết do hạn chế tính toán.

Giáo sư Vật lý MIT Phiala Shanahan là người đứng đầu một nhóm nghiên cứu sử dụng các mô hình học máy để tạo ra các thuật toán mới có thể tăng tốc các nghiên cứu vật lý hạt. Các đối xứng được tìm thấy trong các lý thuyết vật lý (các tính chất của hệ thống vật lý vẫn không đổi ngay cả khi điều kiện thay đổi) có thể được kết hợp vào các thuật toán học máy để tạo ra các thuật toán phù hợp hơn với các nghiên cứu vật lý hạt. Shanahan giải thích rằng các mô hình học máy không được sử dụng để xử lý lượng lớn dữ liệu, mà được sử dụng để tích hợp các đối xứng hạt, và việc включ các thuộc tính này vào một mô hình có nghĩa là các tính toán có thể được thực hiện nhanh hơn.

Dự án nghiên cứu được dẫn đầu bởi Shanahan và bao gồm một số thành viên của nhóm Vật lý lý thuyết tại NYU, cũng như các nhà nghiên cứu học máy từ Google DeepMind. Nghiên cứu gần đây chỉ là một trong một loạt các nghiên cứu đang diễn ra và đã hoàn thành nhằm tận dụng sức mạnh của học máy để giải quyết các vấn đề vật lý lý thuyết hiện không thể giải quyết được với các sơ đồ tính toán hiện đại. Theo sinh viên tốt nghiệp MIT Gurtej Kanwar, các vấn đề mà các thuật toán tăng cường bằng học máy đang cố gắng giải quyết sẽ giúp các nhà khoa học hiểu rõ hơn về vật lý hạt, và chúng hữu ích trong việc so sánh với các kết quả thu được từ các thí nghiệm vật lý hạt lớn (như những thí nghiệm được thực hiện tại Máy va chạm Hadron lớn của CERN). Bằng cách so sánh kết quả của các thí nghiệm lớn với các thuật toán trí tuệ nhân tạo, các nhà khoa học có thể có một ý tưởng tốt hơn về cách các mô hình vật lý của họ nên được hạn chế, và khi nào các mô hình đó bị phá vỡ.

Hiện tại, phương pháp duy nhất mà các nhà khoa học có thể sử dụng một cách đáng tin cậy để nghiên cứu Mô hình chuẩn của vật lý hạt là phương pháp lấy mẫu / ảnh chụp của các dao động xảy ra trong chân không. Các nhà nghiên cứu có thể thu được thông tin về các tính chất của các hạt và những gì xảy ra khi các hạt đó va chạm. Tuy nhiên, việc lấy mẫu như vậy là tốn kém và hy vọng rằng các kỹ thuật trí tuệ nhân tạo có thể làm cho việc lấy mẫu trở nên rẻ hơn và hiệu quả hơn. Các ảnh chụp của chân không có thể được sử dụng tương tự như dữ liệu đào tạo hình ảnh trong một mô hình trí tuệ nhân tạo về tầm nhìn máy tính. Các ảnh chụp lượng tử được sử dụng để đào tạo một mô hình có thể tạo mẫu một cách hiệu quả hơn, được thực hiện bằng cách lấy mẫu trong không gian lấy mẫu dễ dàng và chạy các mẫu thông qua mô hình đã được đào tạo.

Nghiên cứu đã tạo ra một khuôn khổ nhằm mục đích đơn giản hóa quá trình tạo ra các mô hình học máy dựa trên đối xứng vật lý. Khuôn khổ này đã được áp dụng cho các vấn đề vật lý đơn giản hơn và nhóm nghiên cứu hiện đang cố gắng mở rộng phương pháp của họ để làm việc với các tính toán tiên tiến. Như Kanwar đã giải thích qua Phys.org:

“Tôi nghĩ chúng tôi đã chỉ ra trong hơn một năm qua rằng có rất nhiều tiềm năng trong việc kết hợp kiến thức vật lý với các kỹ thuật học máy. Chúng tôi đang tích cực suy nghĩ về cách giải quyết các rào cản còn lại trên đường đi để thực hiện các mô phỏng toàn diện bằng cách sử dụng phương pháp của chúng tôi. Tôi hy vọng sẽ thấy ứng dụng đầu tiên của các phương pháp này trong các tính toán quy mô lớn trong vài năm tới.”