Trí tuệ nhân tạo tăng cường tốc độ khám phá cho vật lý hạt

Các nhà nghiên cứu tại MIT gần đây đã chứng minh 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, khám phá nhanh hơn khi nói đến vật lý lý thuyết. Nhóm nghiên cứu của MIT đã kết hợp vật lý lý thuyết với AI các mô hình để tăng tốc độ tạo ra các mẫu mô phỏng tương tác giữa neutron, proton và hạt nhân.

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

Giáo sư Vật lý MIT Phiala Shanahan là người đứng đầu nhóm nghiên cứu sử dụng các mô hình học máy để tạo ra các thuật toán mới có thể tăng tốc độ nghiên cứu vật lý hạt. Các đối xứng được tìm thấy trong các lý thuyết vật lý (các đặc điểm của hệ thống vật lý không đổi ngay cả khi điều kiện thay đổi) có thể được tích hợp vào các thuật toán học máy để tạo ra các thuật toán phù hợp hơn với 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 chúng đang được sử dụng để tích hợp các đối xứng hạt và việc đưa các thuộc tính này vào mô hình có nghĩa là việc tính toán có thể được thực hiện nhanh hơn.

Dự án nghiên cứu do Shanahan dẫn đầu và nó bao gồm một số thành viên của nhóm Vật lý lý thuyết tại NYU, cũng như các nhà nghiên cứu máy học từ Google DeepMind. Nghiên cứu gần đây chỉ là một trong một loạt các nghiên cứu đang diễn ra và đã hoàn thành gần đây nhằm tận dụng sức mạnh của học máy để giải quyết các vấn đề vật lý lý thuyết hiện không thể thực hiện được với các lược đồ tính toán hiện đại. Theo sinh viên tốt nghiệp MIT Gurtej Kanwar, các vấn đề mà các thuật toán tăng cường học máy đang cố gắng giải quyết sẽ giúp các nhà khoa học hiểu thêm về vật lý hạt và chúng rất hữu ích trong việc so sánh với kết quả thu được từ các thí nghiệm vật lý hạt quy mô lớn (như các thí nghiệm vật lý hạt cơ bản). được tiến hành tại Máy Va chạm Hadron Lớn của CERN). Bằng cách so sánh kết quả của các thí nghiệm quy mô lớn với các thuật toán AI, các nhà khoa học có thể hiểu rõ hơn về cách các mô hình vật lý của họ nên bị 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 nhanh về các dao động xảy ra trong chân không. Các nhà nghiên cứu có thể hiểu rõ hơn về tính chất của các hạt và điều gì xảy ra khi các hạt đó va chạm với nhau. Tuy nhiên, việc lấy mẫu như thế này rất tốn kém và người ta hy vọng rằng các kỹ thuật AI có thể giúp việc lấy mẫu trở thành một quy trình rẻ hơn, hiệu quả hơn. Ảnh chụp nhanh từ chân không có thể được sử dụng giống như dữ liệu đào tạo hình ảnh trong mô hình AI thị giác máy tính. Ảnh chụp nhanh lượng tử được sử dụng để huấn luyện một mô hình có thể tạo mẫu theo cách hiệu quả hơn nhiều, được thực hiện bằng cách lấy mẫu trong không gian dễ lấy mẫu và chạy mẫu thông qua mô hình được đào tạo.

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

“Tôi nghĩ rằng chúng tôi đã chứng minh trong năm qua rằng có rất nhiều hứa hẹn trong việc kết hợp kiến ​​thức vật lý với các kỹ thuật máy học. Chúng tôi đang tích cực suy nghĩ về cách giải quyết các rào cản còn lại trong cách 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 để tính toán trên quy mô lớn trong vài năm tới.”