人工智能增强粒子物理学发现的速度

麻省理工学院（MIT）的研究人员最近证明，利用人工智能模拟粒子和核物理理论的某些方面，可以带来更快的算法，从而在理论物理学中实现更快的发现。 麻省理工学院的研究团队将理论物理学与人工智能 模型相结合，以加速模拟中子、质子和原子核之间相互作用的样本的创建。

宇宙由四种基本力支配：重力、电磁力、弱力和强力。强力、弱力和电磁力通过粒子物理学来研究。研究粒子相互作用的传统方法需要运行粒子之间的数值模拟，通常是在质子大小的1/10或1/100处进行的。由于计算能力有限，这些研究可能需要很长时间才能完成，而且物理学家知道如何在理论上解决很多问题，但由于计算限制无法解决。

麻省理工学院物理教授Phiala Shanahan领导一个研究小组，使用机器学习模型创建新的算法，以加速粒子物理学研究。物理理论中的对称性（即物理系统在条件变化时保持不变的特征）可以被纳入机器学习算法中，以产生更适合粒子物理学研究的算法。Shanahan解释说，机器学习模型并不是用于处理大量数据，而是用于集成粒子对称性，并且在模型中包含这些属性意味着可以更快地进行计算。

该研究项目由Shanahan领导，包括纽约大学（NYU）理论物理团队的几名成员，以及Google DeepMind的机器学习研究人员。最近的研究只是旨在利用机器学习的力量来解决理论物理问题的众多正在进行和最近完成的研究之一，这些问题目前无法使用现代计算模式解决。根据麻省理工学院研究生Gurtej Kanwar的说法，机器学习增强的算法试图解决的问题将帮助科学家更好地理解粒子物理学，并且这些问题在比较大型粒子物理实验（如在CERN的大型强子对撞机上进行的实验）得到的结果时很有用。通过比较大型实验的结果和人工智能算法，科学家可以更好地了解他们的物理模型应该如何约束，以及何时这些模型会失效。

目前，科学家可以可靠地使用的研究粒子物理学标准模型的唯一方法是取真空中发生的波动的样本/快照。研究人员可以深入了解粒子的性质以及当这些粒子碰撞时会发生什么。然而，获取这样的样本很昂贵，人们希望人工智能技术可以使获取样本的过程变得更便宜、更高效。真空的快照可以像计算机视觉人工智能模型中的图像训练数据一样使用。量子快照用于训练一个可以以更高效的方式创建样本的模型，这是通过在易于采样的空间中获取样本并将样本运行通过训练模型来实现的。

该研究创建了一个框架，旨在简化基于物理对称性的机器学习模型的创建过程。该框架已经应用于更简单的物理问题，研究团队现在正在尝试将他们的方法扩展到最先进的计算。 正如Kanwar通过Phys.org解释的那样：

“我认为我们已经证明，在过去的一年中，将物理知识与机器学习技术相结合是很有前途的。我们正在积极思考如何克服使用我们的方法进行全尺度模拟的剩余障碍。我希望在接下来的几年内看到这些方法应用于大规模计算。”