I ricercatori del MIT hanno recentemente dimostrato che l’utilizzo dell’intelligenza artificiale per simulare aspetti delle particelle e le teorie della fisica nucleare può portare a algoritmi più veloci e quindi scoperte più veloci quando si tratta di fisica teorica. Il team di ricerca del MIT ha combinato la fisica teorica con i modelli AI per accelerare la creazione di campioni che simulano le interazioni tra neutroni, protoni e nuclei.
Ci sono quattro forze fondamentali che governano l’universo: gravità, elettromagnetismo, forza debole e forza forte. Le forze forti, deboli ed elettromagnetiche vengono studiate attraverso la fisica delle particelle. Il metodo tradizionale di studio delle interazioni tra particelle richiede l’esecuzione di simulazioni numeriche di queste interazioni tra particelle, che tipicamente avvengono a 1/10 o 1/100 delle dimensioni di un protone. Questi studi possono richiedere molto tempo per essere completati a causa della limitata potenza di calcolo e ci sono molti problemi che i fisici sanno come affrontare in teoria ma che non possono affrontare a tali limitazioni computazionali.
Phiala Shanahan, professoressa di fisica del MIT, è a capo di un gruppo di ricerca che utilizza modelli di apprendimento automatico per creare nuovi algoritmi in grado di accelerare gli studi sulla fisica delle particelle. Le simmetrie trovate all’interno delle teorie fisiche (caratteristiche del sistema fisico che rimangono costanti anche quando le condizioni cambiano) possono essere incorporate negli algoritmi di apprendimento automatico per produrre algoritmi più adatti agli studi sulla fisica delle particelle. Shanahan ha spiegato che i modelli di apprendimento automatico non vengono utilizzati per elaborare grandi quantità di dati, piuttosto vengono utilizzati per integrare simmetrie di particelle e l’inclusione di questi attributi all’interno di un modello significa che i calcoli possono essere eseguiti più rapidamente.
Il progetto di ricerca è stato guidato da Shanahan e comprende diversi membri del team di fisica teorica della New York University, oltre a ricercatori di machine learning di Google DeepMind. Il recente studio è solo uno di una serie di studi in corso e recentemente completati volti a sfruttare la potenza dell’apprendimento automatico per risolvere problemi di fisica teorica che sono attualmente impossibili con i moderni schemi di calcolo. Secondo il dottorando del MIT Gurtej Kanwar, i problemi che gli algoritmi potenziati dall’apprendimento automatico stanno cercando di risolvere aiuteranno gli scienziati a capire di più sulla fisica delle particelle e sono utili per fare confronti con i risultati derivati da esperimenti di fisica delle particelle su larga scala (come quelli condotto al Large Hadron Collider del CERN). Confrontando i risultati degli esperimenti su larga scala con gli algoritmi di intelligenza artificiale,
Attualmente, l’unico metodo che gli scienziati possono utilizzare in modo affidabile per indagare sul modello standard della fisica delle particelle è quello in cui vengono presi campioni / istantanee delle fluttuazioni che si verificano nel vuoto. I ricercatori possono ottenere informazioni sulle proprietà delle particelle e su cosa succede quando queste particelle si scontrano. Tuttavia, prelevare campioni come questo è costoso e si spera che le tecniche di intelligenza artificiale possano rendere il prelievo di campioni un processo più economico ed efficiente. Le istantanee scattate dal vuoto possono essere utilizzate in modo molto simile ai dati di addestramento delle immagini in un modello AI di visione artificiale. Gli snapshot quantistici vengono utilizzati per addestrare un modello in grado di creare campioni in un modo molto più efficiente, ottenuto prelevando campioni in uno spazio facile da campionare ed eseguendo i campioni attraverso il modello addestrato.
La ricerca ha creato un framework inteso a semplificare il processo di creazione di modelli di machine learning basati su simmetrie fisiche. Il framework è già stato applicato a problemi fisici più semplici e il team di ricerca sta ora tentando di ampliare il proprio approccio per lavorare con calcoli all’avanguardia. Come ha spiegato Kanwar tramite Phys.org :
“Penso che nell’ultimo anno abbiamo dimostrato che ci sono molte promesse nel combinare la conoscenza della fisica con le tecniche di apprendimento automatico. Stiamo attivamente pensando a come affrontare gli ostacoli rimanenti nel modo di eseguire simulazioni su vasta scala utilizzando il nostro approccio. Spero di vedere la prima applicazione di questi metodi ai calcoli su larga scala nei prossimi due anni “.
