核物理和粒子物理的可证明精确人工智能

粒子物理的标准模型描述了所有已知的基本粒子和支配宇宙的四种基本力中的三种；除了重力以外的一切。电磁力、强力和弱力这三种力控制着粒子的形成，它们如何相互作用，以及粒子如何衰变。

然而，在这个框架内研究粒子和核物理是困难的，并且依赖于大规模的数值研究。例如，强力的许多方面都需要数值模拟质子大小为1/10到1/100的动力学，以回答有关质子、中子和原子核性质的基本问题。

“最终，我们在使用晶格场理论研究质子和核结构时，在计算上是有限的，”物理学助理教授Phiala Shanahan说有许多有趣的问题，我们知道如何解决原则上，但我们只是没有足够的计算，即使我们运行在世界上最大的超级计算机上。”

为了克服这些限制，Shanahan领导了一个将理论物理与机器学习模型相结合的小组。本月发表在《物理评论快报》（Physical Review Letters）上的论文“Equivariant flow-based sampling for lattice gage theory”中，他们展示了如何将物理理论的对称性融入机器学习和人工智能架构中，为理论物理提供更快的算法。

“我们使用机器学习不是为了分析大量的数据，而是为了在不损害方法的严谨性的情况下加速第一原理理论，我们可以利用内置的粒子和核物理标准模型的一些对称性来构建机器学习体系结构，并以数量级的数量级加速我们所针对的采样问题。”

Shanahan与麻省理工学院的研究生GurtejKanwar和现在纽约大学的MichaelAlbergo共同发起了这个项目。

本月的论文是一系列旨在使目前计算困难的理论物理研究成为可能的论文之一。”“我们的目标是为理论物理中数值计算的一个关键组成部分开发新的算法，”坎瓦尔说这些计算告诉我们粒子物理的标准模型的内部工作原理，这是我们最基本的物质理论。这样的计算对于与粒子物理实验（例如欧洲核子研究所（CERN）的大型强子对撞机）的结果进行比较至关重要，既可以更精确地约束模型，也可以发现模型在哪里发生问题，必须扩展到更基本的东西。”

研究非微扰状态下粒子物理标准模型的唯一已知系统可控方法是基于真空中量子涨落的快照采样。通过测量这些粒子的性质，可以推断出这些粒子的性质。

Kanwar解释说，“这种技术带来了挑战。”他说：“这种取样是昂贵的，我们希望利用物理启发的机器学习技术来更有效地提取样本。”机器学习在生成图像方面已经取得了长足的进步，例如，NVIDIA最近的工作是生成由神经网络“构想”出来的人脸图像。将这些真空的快照视为图像，我们认为很自然地就我们的问题使用类似的方法。”

Shanahan补充道，“在我们对这些量子快照进行采样的方法中，我们优化了一个模型，该模型将我们从一个易于采样的空间带到目标空间：给定一个经过训练的模型，那么采样是有效的，因为你只需在易于采样的空间中采集独立的样本，并通过学习的模型对其进行转换。”

特别是，该小组已经引入了一个建立机器学习模型的框架，该模型完全尊重一类对称性，称为“gage对称性”，对于研究高能物理至关重要。

作为原理的证明，Shanahan和他的同事使用他们的框架来训练机器学习模型来模拟二维的理论，结果比最先进的技术获得了数量级的效率提高，并从理论上得到了更精确的预测。这为使用基于物理知识的机器学习显著加速对自然基本力的研究铺平了道路。

该小组的前几篇论文作为合作，讨论了将机器学习技术应用于简单的格点场理论，并在紧凑的连通流形上开发了这类方法，这些流形描述了标准模型更复杂的场理论。现在，他们正致力于将技术扩展到最先进的计算。

“我认为我们在过去的一年里已经证明，将物理知识与机器学习技术结合起来有很大的希望，”坎瓦尔说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问题。我希望在接下来的几年里看到这些方法在大规模计算中的首次应用。如果我们能够克服最后几个问题，这将有助于扩大我们在有限资源下所能做的事情，我梦想着很快进行计算，让我们对当今物理学的最佳理解之外的东西有新的见解。”

这个以物理为基础的机器学习的想法也被研究小组称为“从头算AI”，这是最近在麻省理工学院成立的国家科学基金会人工智能与基础交互研究所（IAIFI）的一个关键主题，Shanahan是物理理论的研究协调员。