麻省理工学院的一名研究人员最近表示，利用人工智能来模拟粒子和核物理学理论的各个方面可以产生更快的算法，从而在理论物理学方面也可以更快地被发现。麻省理工学院的研究小组将理论物理学与人工智能模型相结合，以加速创建可模拟中子、质子和核之间相互作用的样本。

有四种基本力控制着宇宙：重力、电磁力、弱力和强力。强、弱和电磁力是通过粒子物理来研究的。研究粒子相互作用的传统方法需要对粒子间的相互作用进行数值模拟，通常发生在质子大小的1/10或1/100。由于计算能力有限，这些研究可能需要很长时间才能完成，还有许多问题物理学家知道如何在理论上解决，但却无法解决上述计算局限性。

麻省理工学院物理教授Phiala Shanahan是这个研究小组的负责人，该小组使用机器学习模型来创建新的算法，从而加快粒子物理研究的速度。可以将物理理论中发现的对称性（即使条件发生变化，物理系统的特征仍保持不变）纳入机器学习算法中，以产生更适合粒子物理研究的算法。Shanahan解释说，机器学习模型并未用于处理大量数据，而是用于整合粒子对称性，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，其中包括纽约大学理论物理小组的几名成员以及Google Deep Mind的机器学习研究人员。最近的研究只是一系列正在进行的和最近完成的研究之一，旨在利用机器学习的力量来解决理论上的物理问题，而这是现代计算方案目前无法实现的。根据麻省理工学院研究人员Gurtej Kanwar表示，机器学习增强算法试图解决的问题将帮助科学家更多地了解粒子物理学，它们对于与大规模粒子物理学实验（如那些）得出的结果进行比较很有用。在欧洲核子研究中心的大型强子对撞机上进行。通过将大规模实验的结果与人工智能算法进行比较，科学家可以更好地了解应如何限制其物理模型以及何时破坏模型。

当前，科学家能够可靠地用来研究粒子物理学标准模型的唯一方法是对真空中发生的波动进行采样/快照的方法。研究人员可以深入了解粒子的性质以及这些粒子碰撞时会发生什么。但是，这样的采样很昂贵，希望人工智能技术可以使采样更便宜、更有效。真空拍摄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。量子快照用于训练可以以更有效的方式创建样本的模型，方法是在易于采样的空间中采样并通过训练后的模型运行样本。

这项研究创建了一个旨在简化基于物理对称性的机器学习模型的创建过程的框架。该框架已被应用到更简单的物理问题中，研究团队现在正尝试扩大其方法以进行前沿计算。正如Kanwar通过Phys.org解释的那样：“我认为在过去的一年里，我们已经展示了将物理知识与机器学习技术结合起来的巨大潜力。我们正在积极思考如何通过使用我们的方法进行全面仿真来解决剩余的障碍。我希望在未来几年内，这些方法首次应用于大规模计算。”