[ad_1]
Вряд ли это может быть сложнее: крошечные частицы бешено вращаются с чрезвычайно высокой энергией, бесчисленные взаимодействия происходят в запутанном беспорядке квантовых частиц, и это приводит к состоянию материи, известному как «кварк-глюонная плазма». Сразу после Большого взрыва вся Вселенная находилась в таком состоянии; сегодня он производится в результате столкновений ядер атомов с высокой энергией, например, в ЦЕРН.
Такие процессы можно изучать только с помощью высокопроизводительных компьютеров и очень сложных компьютерных симуляций, результаты которых трудно оценить. Поэтому использование для этой цели искусственного интеллекта или машинного обучения кажется очевидной идеей. Однако обычные алгоритмы машинного обучения не подходят для этой задачи. Математические свойства физики элементарных частиц требуют особой структуры нейронных сетей. В Венском техническом университете (Вена) было продемонстрировано, как можно успешно использовать нейронные сети для решения этих сложных задач в физике элементарных частиц.
Нейронные сети
«Максимально реалистичное моделирование кварк-глюонной плазмы требует чрезвычайно большого количества вычислительного времени», — говорит доктор Андреас Ипп из Института теоретической физики Венского технического университета. «Даже самые большие суперкомпьютеры в мире перегружены этим». Поэтому хотелось бы не точно просчитывать каждую деталь, а распознавать и предсказывать определенные свойства плазмы с помощью искусственного интеллекта.
Поэтому используются нейронные сети, подобные тем, которые используются для распознавания изображений: искусственные «нейроны» связаны друг с другом на компьютере аналогично нейронам в мозгу — и это создает сеть, которая может распознавать, например, является ли на определенной картинке виден кот.
Однако при применении этой техники к кварк-глюонной плазме возникает серьезная проблема: квантовые поля, используемые для математического описания частиц и сил между ними, могут быть представлены различными способами. «Это называется калибровочной симметрией, — говорит Ипп. «Основной принцип, лежащий в основе этого, нам знаком: если я калибрую измерительный прибор по-другому, например, если я использую шкалу Кельвина вместо шкалы Цельсия для своего термометра, я получаю совершенно другие числа, даже если я описываю одинаковое физическое состояние. Это похоже на квантовые теории, за исключением того, что допустимые изменения математически намного сложнее». Математические объекты, которые на первый взгляд выглядят совершенно по-разному, на самом деле могут описывать одно и то же физическое состояние.
Калибровочные симметрии, встроенные в структуру сети
«Если вы не примете во внимание эти калибровочные симметрии, вы не сможете осмысленно интерпретировать результаты компьютерного моделирования», — говорит доктор Дэвид И. Мюллер. «Научить нейронную сеть самостоятельно определять эти калибровочные симметрии было бы чрезвычайно сложно. Гораздо лучше начать с проектирования структуры нейронной сети таким образом, чтобы автоматически учитывалась калибровочная симметрия, чтобы разные представления одного и того же физического состояния также давали одинаковые сигналы в нейронной сети», — говорит Мюллер. «Это именно то, что нам сейчас удалось сделать: мы разработали совершенно новые сетевые слои, которые автоматически учитывают калибровочную инвариантность». В некоторых тестовых приложениях было показано, что эти сети на самом деле могут намного лучше учиться, как обращаться с данными моделирования кварк-глюонной плазмы.
«С такими нейронными сетями становится возможным делать прогнозы о системе — например, оценивать, как будет выглядеть кварк-глюонная плазма в более поздний момент времени, без необходимости подробного расчета каждого промежуточного шага во времени. — говорит Андреас Ипп. «И в то же время гарантируется, что система выдает только те результаты, которые не противоречат калибровочной симметрии — другими словами, результаты, которые имеют смысл хотя бы в принципе».
Пройдет какое-то время, прежде чем с помощью таких методов можно будет полностью смоделировать столкновения атомных ядер в ЦЕРН, но новый тип нейронных сетей предоставляет совершенно новый и многообещающий инструмент для описания физических явлений, для которых все другие вычислительные методы никогда не будут достаточно мощными. . 10.1103/PhysRevLett.128.032003
Связанный
[ad_2]
Source