Videnskab
 science >> Videnskab >  >> Fysik

Sandsynligvis nøjagtig kunstig intelligens til kerne- og partikelfysik

Kunstnerens indtryk af maskinlæringsarkitekturen, der eksplicit koder målersymmetri til en 2D gitterfeltteori. Kredit:MIT-DeepMind-samarbejde.

Standardmodellen for partikelfysik beskriver alle de kendte elementarpartikler og tre af de fire fundamentale kræfter, der styrer universet; alt undtagen tyngdekraften. Disse tre kræfter - elektromagnetiske, stærk, og svag - styrer, hvordan partikler dannes, hvordan de interagerer, og hvordan partiklerne henfalder.

Studerer partikel- og kernefysik inden for denne ramme, imidlertid, er svært, og er afhængig af store numeriske undersøgelser. For eksempel, mange aspekter af den stærke kraft kræver numerisk simulering af dynamikken på skalaen fra 1/10 til 1/100 af størrelsen af ​​en proton for at besvare fundamentale spørgsmål om protonernes egenskaber, neutroner, og kerner.

"Ultimativt, vi er beregningsmæssigt begrænset i studiet af proton- og nuklear struktur ved hjælp af gitterfeltteori, " siger assisterende professor i fysik Phiala Shanahan. "Der er en masse interessante problemer, som vi ved, hvordan vi i princippet skal løse, men vi har bare ikke nok computer, selvom vi kører på de største supercomputere i verden. "

For at komme forbi disse begrænsninger, Shanahan leder en gruppe, der kombinerer teoretisk fysik med maskinlæringsmodeller. I deres papir "Ekvivariant flow-baseret prøvetagning for gittermåler teori, " udgivet denne måned i Fysisk gennemgangsbreve , de viser, hvordan inkorporering af fysikteoriernes symmetrier i maskinlæring og kunstig intelligens-arkitekturer kan give meget hurtigere algoritmer til teoretisk fysik.

"Vi bruger maskinlæring til ikke at analysere store mængder data, men for at fremskynde førsteprincippsteorien på en måde, der ikke går på kompromis med tilgangens stringens, " siger Shanahan. "Dette særlige arbejde viste, at vi kan bygge maskinlæringsarkitekturer med nogle af symmetrierne i standardmodellen for partikel- og kernefysik indbygget, og fremskynde det prøveudtagningsproblem, vi sigter efter, i størrelsesordener."

Shanahan lancerede projektet med MIT kandidatstuderende Gurtej Kanwar og med Michael Albergo, som nu er på NYU. Projektet udvides til at omfatte Center for Teoretisk Fysik postdocs Daniel Hackett og Denis Boyda, NYU professor Kyle Cranmer, og fysik-kyndige maskinlæringsforskere på Google Deep Mind, Sébastien Racanière og Danilo Jimenez Rezende.

Denne måneds papir er et i en serie, der har til formål at muliggøre studier i teoretisk fysik, der i øjeblikket er beregningsmæssigt uoverskuelige. "Vores mål er at udvikle nye algoritmer til en nøglekomponent i numeriske beregninger i teoretisk fysik, " siger Kanwar. "Disse beregninger informerer os om den indre funktion af standardmodellen for partikelfysik, vores mest grundlæggende teori om stof. Sådanne beregninger er af vital betydning for at sammenligne med resultater fra partikelfysiske eksperimenter, såsom Large Hadron Collider på CERN, både for at begrænse modellen mere præcist og for at opdage, hvor modellen går i stykker og skal udvides til noget endnu mere fundamentalt."

Den eneste kendte systematisk kontrollerbare metode til at studere standardmodellen for partikelfysik i det ikke-perturbative regime er baseret på en prøveudtagning af snapshots af kvanteudsving i vakuumet. Ved at måle egenskaberne ved disse udsving, én gang kan udlede egenskaber af partiklerne og kollisioner af interesse.

Denne teknik byder på udfordringer, Kanwar forklarer. "Denne prøveudtagning er dyr, og vi søger at bruge fysik-inspirerede maskinlæringsteknikker til at tegne prøver langt mere effektivt, " siger han. "Maskinlæring har allerede gjort store fremskridt med at generere billeder, inklusive, for eksempel, nyligt arbejde fra NVIDIA for at generere billeder af ansigter 'drømt' op af neurale netværk. Når man tænker på disse snapshots af vakuumet som billeder, vi synes, det er helt naturligt at vende sig til lignende metoder for vores problem."

tilføjer Shanahan, "I vores tilgang til at prøve disse kvante snapshots, vi optimerer en model, der tager os fra et rum, der er nemt at prøve til målrummet:givet en trænet model, prøveudtagning er så effektiv, da du blot skal tage uafhængige prøver i det let-at-prøverum, og transformere dem via den lærte model."

I særdeleshed, gruppen har introduceret en ramme til at bygge maskinlæringsmodeller, der nøjagtigt respekterer en klasse af symmetrier, kaldet "målersymmetrier, " afgørende for at studere højenergifysik.

Som et principbevis, Shanahan og kolleger brugte deres rammer til at træne maskinlæringsmodeller til at simulere en teori i to dimensioner, resulterer i effektivitetsgevinster i størrelsesordener i forhold til state-of-the-art teknikker og mere præcise forudsigelser fra teorien. Dette baner vejen for markant accelereret forskning i naturens grundlæggende kræfter ved hjælp af fysikinformeret maskinlæring.

Gruppens første par artikler som et samarbejde diskuterede anvendelsen af ​​maskinlæringsteknikken på en simpel gitterfeltteori, og udviklede denne klasse af tilgange til kompakte, forbundne manifolds, som beskriver Standardmodellens mere komplicerede feltteorier. Nu arbejder de på at skalere teknikkerne til state-of-the-art beregninger.

"Jeg synes, vi har vist i løbet af det seneste år, at der er meget lovende i at kombinere fysikviden med maskinlæringsteknikker, " siger Kanwar. "Vi overvejer aktivt, hvordan vi kan tackle de resterende barrierer i vejen for at udføre fuldskala-simuleringer ved hjælp af vores tilgang. Jeg håber at se den første anvendelse af disse metoder til beregninger i stor skala i løbet af de næste par år. Hvis vi er i stand til at overvinde de sidste par forhindringer, dette lover at udvide, hvad vi kan gøre med begrænsede ressourcer, og jeg drømmer om snart at udføre beregninger, der giver os ny indsigt i, hvad der ligger ud over vores bedste forståelse af fysik i dag."

Denne idé om fysik-informeret maskinlæring er også kendt af teamet som "ab-initio AI, "et nøgletema for det nyligt lancerede MIT-baserede National Science Foundation Institute for Artificial Intelligence and Fundamental Interactions (IAIFI), hvor Shanahan er forskningskoordinator for fysikteori.


Varme artikler