Investigadores del MIT han demostrado recientemente que utilizar inteligencia artificial para simular aspectos de partículas y teorías de física nuclear puede conducir a algoritmos más rápidos y, por lo tanto, a descubrimientos más rápidos en lo que respecta a la física teórica. El equipo de investigación del MIT combinó la física teórica con la IA modelos para acelerar la creación de muestras que simulan interacciones entre neutrones, protones y núcleos.
Hay cuatro fuerzas fundamentales que gobiernan el universo: la gravedad, el electromagnetismo, la fuerza débil y la fuerza fuerte. Las fuerzas fuerte, débil y electromagnética se estudian a través de la física de partículas. El método tradicional de estudiar las interacciones de partículas requiere ejecutar simulaciones numéricas de estas interacciones entre partículas, que normalmente tienen lugar a 1/10 o 1/100 del tamaño de un protón. Estos estudios pueden tardar mucho tiempo en completarse debido a la potencia informática limitada, y hay muchos problemas que los físicos saben cómo abordar en teoría, pero que no pueden abordar dichas limitaciones computacionales.
La profesora de Física del MIT, Phiala Shanahan, es la jefa de un grupo de investigación que utiliza modelos de aprendizaje automático para crear nuevos algoritmos que pueden acelerar los estudios de física de partículas. Las simetrías que se encuentran dentro de las teorías físicas (características del sistema físico que permanecen constantes incluso cuando cambian las condiciones) se pueden incorporar a los algoritmos de aprendizaje automático para producir algoritmos más adecuados para los estudios de física de partículas. Shanahan explicó que los modelos de aprendizaje automático no se usan para procesar grandes cantidades de datos, sino que se usan para integrar simetrías de partículas, y la inclusión de estos atributos dentro de un modelo significa que los cálculos se pueden realizar más rápidamente.
El proyecto de investigación fue dirigido por Shanahan e incluye a varios miembros del equipo de Física Teórica de la NYU, así como a investigadores de aprendizaje automático de Google DeepMind. El estudio reciente es solo uno de una serie de estudios en curso y recientemente completados destinados a aprovechar el poder del aprendizaje automático para resolver problemas de física teórica que actualmente son imposibles con los esquemas de computación modernos. Según el estudiante de posgrado del MIT, Gurtej Kanwar, los problemas que los algoritmos impulsados por el aprendizaje automático están tratando de resolver ayudarán a los científicos a comprender más acerca de la física de partículas, y son útiles para hacer comparaciones con los resultados derivados de experimentos de física de partículas a gran escala (como esos realizado en el Gran Colisionador de Hadrones del CERN). Al comparar los resultados de los experimentos a gran escala con los algoritmos de IA, los científicos pueden tener una mejor idea de cómo deben restringirse sus modelos físicos y cuándo fallan esos modelos.
Actualmente, el único método que los científicos pueden usar de manera confiable para investigar el modelo estándar de física de partículas es uno en el que se toman muestras/instantáneas de las fluctuaciones que ocurren en el vacío. Los investigadores pueden obtener información sobre las propiedades de las partículas y lo que sucede cuando esas partículas chocan. Sin embargo, tomar muestras como esta es costoso y se espera que las técnicas de IA puedan hacer que tomar muestras sea un proceso más económico y eficiente. Las instantáneas tomadas del vacío se pueden usar de manera muy similar a los datos de entrenamiento de imágenes en un modelo de IA de visión por computadora. Las instantáneas cuánticas se utilizan para entrenar un modelo que puede crear muestras de una manera mucho más eficiente, lo que se logra tomando muestras en un espacio fácil de muestrear y ejecutando las muestras a través del modelo entrenado.
La investigación ha creado un marco destinado a agilizar el proceso de creación de modelos de aprendizaje automático basados en simetrías físicas. El marco ya se ha aplicado a problemas de física más simples y el equipo de investigación ahora está intentando ampliar su enfoque para trabajar con cálculos de vanguardia. Como explicó Kanwar a través de Phys.org:
“Creo que hemos demostrado durante el año pasado que es muy prometedor combinar el conocimiento de la física con las técnicas de aprendizaje automático. Estamos pensando activamente en cómo abordar las barreras restantes en la forma de realizar simulaciones a gran escala utilizando nuestro enfoque. Espero ver la primera aplicación de estos métodos a los cálculos a escala en los próximos años”.