人工智能加快了發現粒子物理的速度
麻省理工學院的研究人員最近已經證明，利用人工智能來模擬粒子和核物理理論的各個方面可以產生更快的算法，因此在理論物理中也可以更快地發現它。麻省理工學院的研究團隊將理論物理與人工智能模型結合起來，以加速模擬中子、質子和原子之間相互作用的樣本的產生。
宇宙中有四種基本力：重力、電磁力、弱力和強度。強、弱和電磁力是用粒子物理學研究的。傳統的研究粒子相互作用的方法需要數值模擬粒子之間的相互作用，這種相互作用通常發生在質子大小為 1≤10 或 1≤100 的情況下。由于計算能力有限，這些研究可能需要很長時間才能完成，許多問題物理學家在理論上知道如何解決這些問題，但他們無法解決這些計算限制。
麻省理工學院（MIT) 物理學教授 PhialaShanahan 是該研究小組的負責人，該研究團隊使用機器學習模型來創建新的算法，以加速粒子物理學的研究。物理理論中發現的對稱性（物理系統在條件變化時保持不變的特性）可以集成到機器學習算法中，從而產生一種更適合研究粒子物理的算法。沙納漢解釋說，機器學習模型不是用來處理大量數據，而是集成粒子對稱性，而在模型中包含這些屬性意味著計算可以更快地完成。
這個由 Shanahan 領導的研究項目包括紐約大學理論物理小組的幾名成員，以及來自 Google 深度學習的機器學習研究人員。最近的研究只是一系列正在進行和最近完成的研究之一，目的是利用機器學習的力量來解決現代計算模型無法解決的理論物理問題。麻省理工學院的研究生 GurtejKanwar 說，機器學習增強算法試圖解決的問題將幫助科學家更多地了解粒子物理，這對于比較大型粒子物理實驗的結果非常有用，比如歐洲核研究所大型強子對撞機上的實驗。通過將大規模實驗的結果與人工智能算法進行比較，科學家們可以更好地理解他們的物理模型應該如何受到約束，以及它們何時崩潰。
目前，科學家們能夠可靠地研究粒子物理標準模型的唯一方法是在真空中采樣 / 快照波動。研究人員可以更多地了解粒子的特性以及粒子碰撞時會發生什么。然而，這樣的采樣成本很高，人工智能技術有望使采樣成本更低、效率更高。在真空中拍攝的照片可以與計算機視覺人工智能模型中的圖像訓練數據一樣使用。量子快照被用來訓練一個模型，該模型可以更有效地收集樣本，通過在經過訓練的模型中采集樣本和運行樣本。
這項研究創建了一個框架，旨在簡化基于物理對稱性的機器學習模型的創建過程。該框架已被應用于更簡單的物理問題，該團隊現在正試圖擴展他們在尖端計算方面的方法。正如 Kanwar 通過 Phys.org 所解釋的：
我認為在過去的一年里，我們展示了將物理知識與機器學習技術結合起來的巨大潛力。我們正在積極地考慮如何解決剩余的障礙，利用我們的方法進行全面的模擬。我希望在未來幾年，這些方法將首次應用于大規模計算。
