Новости космоса и технологий. » Физика » Доказательно точный искусственный интеллект для ядерной физики и физики элементарных частиц

Доказательно точный искусственный интеллект для ядерной физики и физики элементарных частиц

Опубликовал: Admin, 26-09-2020, 01:01, Физика, 74, 0

Доказательно точный искусственный интеллект для ядерной физики и физики элементарных частиц

Стандартная модель физики элементарных частиц описывает все известные элементарные частицы и три из четырех фундаментальных сил, управляющих Вселенной; все, кроме гравитации. Эти три силы - электромагнитная, сильная и слабая - определяют, как образуются частицы, как они взаимодействуют и как частицы распадаются.

Изучение частиц и ядер физика в этих рамках, однако, сложно, и полагается на крупномасштабные численные исследования. Например, многие аспекты сильного взаимодействия требуют численного моделирования динамики в масштабе от 1/10 до 1/100 размера протона, чтобы ответить на фундаментальные вопросы о свойствах протонов, нейтронов и ядер.

«В конечном счете, наши вычислительные возможности ограничены в изучении структуры протона и ядра с использованием поля решетки Theory », - говорит доцент физики Фиала Шанахан. «Есть много интересных проблем, которые мы в принципе умеем решать, но у нас просто не хватает вычислительных ресурсов, даже несмотря на то, что мы работаем на самых больших суперкомпьютерах в мире».

Чтобы преодолеть эти ограничения, Шанахан возглавляет группу, которая сочетает теоретическую физику с моделями машинного обучения. В их статье «Отбор проб на основе эквивалентного потока для теории решетчатых датчиков», опубликованной в этом месяце в Письма о физических проверках , они показывают, как включение симметрии физических теорий в архитектуры машинного обучения и искусственного интеллекта может обеспечить гораздо более быстрые алгоритмы для теоретической физики.

«Мы используем машинное обучение не для анализа больших объемов данных, а для ускорения теории основных принципов таким образом, чтобы не подвергать риску строгость подхода», - говорит Шанахан. «Эта конкретная работа продемонстрировала, что мы можем создавать архитектуры машинного обучения с некоторыми симметриями Стандартной модели частиц и Ядерной физики , Встроенной, и на несколько порядков ускорить решение задачи выборки, на которую мы нацелены».

Шанахан начал проект с аспирантом Массачусетского технологического института Гуртеем Канваром и Майклом Альберго, который сейчас находится в Нью-Йоркском университете. В проект были включены постдоки Центра теоретической физики Дэниел Хакетт и Денис Бойда, профессор Нью-Йоркского университета Кайл Кранмер, а также опытные физики машинного обучения из Google Deep Mind, Себастьян Раканьер и Данило Хименес Резенде.

Статья этого месяца - одна из серии, нацеленной на изучение теоретической физики, которая в настоящее время сложно поддается вычислению. «Наша цель - разработать новые алгоритмы для ключевого компонента численных расчетов в Теоретической физике », - говорит Канвар. Эти расчеты информируют нас о внутренней работе Стандартной модели физики элементарных частиц, нашей наиболее фундаментальной теории материи. Такие расчеты имеют жизненно важное значение для сравнения с результатами экспериментов по физике элементарных частиц, таких как Большой адронный коллайдер в ЦЕРНе, как для ограничить модель более точно и обнаружить, где модель ломается и должна быть расширена до чего-то еще более фундаментального ».

Единственный известный систематически управляемый метод исследования Стандартной модели физики элементарных частиц в непертурбативном режиме основан на выборке снимков квантовых флуктуаций в вакууме. Измеряя свойства этих флуктуаций, можно сделать вывод о свойствах интересующих частиц и столкновений.

Канвар объясняет, что этот метод сопряжен с трудностями. «Эта выборка стоит дорого, и мы стремимся использовать основанные на физике методы машинного обучения, чтобы получать образцы гораздо более эффективно», - говорит он. «Машинное обучение уже добилось больших успехов в создании изображений, включая, например, недавнюю работу NVIDIA по созданию изображений лиц « Придумано »нейронными сетями. Думая об этих снимках вакуума как об изображениях, мы думаем для нашей задачи вполне естественно обратиться к аналогичным методам ".

Шанахан добавляет: «В нашем подходе к выборке этих квантовых снимков мы оптимизируем модель, которая переносит нас из пространства, которое легко отбирать, в целевое пространство: при обученной модели выборка эффективна, поскольку вам просто нужно брать независимые выборки. в пространстве, которое легко подобрать, и преобразовать их с помощью изученной модели ".

В частности, группа представила основу для построения моделей машинного обучения, которые точно соответствуют классу симметрий, называемых «калибровочными симметриями», которые имеют решающее значение для изучения физики высоких энергий.

В качестве доказательства принципа Шанахан и его коллеги использовали свою структуру для обучения моделей машинного обучения для моделирования теории в двух измерениях, что привело к увеличению эффективности на порядки по сравнению с современными методами и более точным прогнозам на основе теория. Это открывает путь к значительно ускоренному исследованию фундаментальные силы природы с помощью машинного обучения с учетом физики.

Первые несколько совместных работ группы обсуждали применение техники машинного обучения к простой теории поля на решетке и развили этот класс подходов на компактных связных многообразиях, которые описывают более сложные теории поля Стандартной модели. Сейчас они работают над масштабированием методов для современных расчетов.

«Я думаю, что за последний год мы показали, что есть много перспектив в сочетании знаний физики с методами машинного обучения», - говорит Канвар. «Мы активно думаем о том, как преодолеть остающиеся препятствия на пути выполнения полномасштабного моделирования с использованием нашего подхода. Я надеюсь увидеть первое применение этих методов для масштабных расчетов в ближайшие пару лет. Если мы сможем Чтобы преодолеть несколько последних препятствий, это обещает расширить наши возможности с ограниченными ресурсами, и я мечтаю в ближайшее время провести вычисления, которые дадут нам новое понимание того, что лежит за пределами нашего лучшего понимания физики сегодня ».

Это идея-физика машинное обучение также известен в команде как «ab-initio AI», ключевая тема недавно созданного Института искусственного интеллекта и фундаментальных взаимодействий (IAIFI) Национального научного фонда при Массачусетском технологическом институте, где Шанахан является координатором исследований по теории физики.


Источник


У данной публикации еще нет комментариев. Хотите начать обсуждение?

Написать комментарий
Имя:*
E-Mail:
Введите код: *
Кликните на изображение чтобы обновить код, если он неразборчив


Поиск по сайту
Полезные ссылки
Оцените работу сайта

TEHNONEWS

Новости космоса технологий нанотехнологий физики и химии