人工智能提高了发现粒子物理的速度

麻省理工学院的研究人员最近证明，利用人工智能来模拟粒子和核物理理论的各个方面，可以产生更快的算法，因此在理论物理方面也可以更快地发现。麻省理工学院的研究团队将理论物理与人工智能模型相结合，加速了模拟中子、质子和原子核相互作用的样本的创建。

宇宙有四种基本力：引力、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。

麻省理工学院的物理学教授Phiala Shanahan是研究小组的负责人，该小组使用机器学习模型来创建新的算法，可以加速粒子物理研究。物理理论中发现的对称性（物理系统在条件变化时保持不变的特性）可以并入机器学习算法中，以产生更适合粒子物理研究的算法。Shanahan解释说，机器学习模型并不是用来处理大量的数据，而是用来整合粒子对称性，在模型中包含这些属性意味着计算可以更快地完成。

这个研究项目由Shanahan领导，包括纽约大学理论物理团队的几名成员，以及来自谷歌深度学习的机器学习研究人员。最近的研究只是一系列正在进行和最近完成的研究之一，这些研究旨在利用机器学习的力量来解决目前用现代计算模式无法解决的理论物理问题。据麻省理工学院的研究生Gurtej Kanwar说，机器学习增强算法试图解决的问题将有助于科学家对粒子物理有更多的了解，它们在与大规模粒子物理实验（比如在欧洲核子研究所的大型强子对撞机上进行的实验）得出的结果进行比较时非常有用。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他们的物理模型应该如何约束，以及这些模型何时崩溃。

目前，科学家能够可靠地用来研究粒子物理标准模型的唯一方法是对真空中的波动进行采样/快照。研究人员可以深入了解粒子的性质以及粒子碰撞时会发生什么。然而，像这样的取样是昂贵的，人们希望人工智能技术能使取样变得更便宜、更有效。在真空中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。量子快照用于训练一个模型，该模型可以以更有效的方式创建样本，通过在易于采样的空间中采集样本并在训练的模型中运行样本来实现。

这项研究创建了一个框架，旨在简化基于物理对称性的机器学习模型的创建过程。这个框架已经被应用到更简单的物理问题上，研究小组现在正试图扩大他们的方法来处理尖端的计算。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尺寸模拟来解决剩余的障碍。我希望在未来几年内，这些方法首次应用于大规模计算。”