O modelo padrãoda física departículas descreve todas aspartículas elementares conhecidas e três das quatro forças fundamentais que governam o universo; tudo, exceto a gravidade. Essas três forças - eletromagnanãtica, forte e fraca - governam como aspartículas são formadas, como elas interagem e como aspartículas decaem.

O estudo da física departículas e nuclear dentro dessa estrutura, entretanto, édifa­cil e depende de estudos numanãricos em grande escala. Por exemplo, muitos aspectos da força forte requerem simular numericamente a dina¢mica na escala de 1/10 a 1/100 do tamanho de um pra³ton para responder a questões fundamentais sobre as propriedades dos pra³tons, naªutrons e núcleos.

"Em última análise, somos limitados computacionalmente no estudo do pra³ton e da estrutura nuclear usando a teoria do campo de rede ", disse o professor assistente de física Phiala Shanahan. "Existem muitos problemas interessantes que sabemos como resolver em princa­pio, mas simplesmente não temos computação suficiente, embora operemos nos maiores supercomputadores do mundo."

Para superar essas limitações, Shanahan lidera um grupo que combina física tea³rica com modelos de aprendizado de ma¡quina. Em seu artigo "Amostragem baseada em fluxo equivariante para teoria de gage gage", publicado este maªs na Physical Review Letters , eles mostram como incorporar as simetrias das teorias da física em arquiteturas de aprendizagem de ma¡quina e inteligaªncia artificial pode fornecer algoritmos muito mais rápidos para a física tea³rica.

"Estamos usando o aprendizado de ma¡quina não para analisar grandes quantidades de dados, mas para acelerar a teoria dos primeiros princa­pios de uma forma que não comprometa o rigor da abordagem", diz Shanahan. "Este trabalho em particular demonstrou que podemos construir arquiteturas de aprendizado de ma¡quina com algumas das simetrias do modelo padrãodepartículas e física nuclear incorporadas e acelerar o problema de amostragem que temos como alvo em ordens de magnitude."

Shanahan lançou o projeto com o aluno de pós-graduação do MIT Gurtej Kanwar e com Michael Albergo, que agora estãona NYU. O projeto se expandiu para incluir os pa³s-doutorandos do Centro de Fa­sica Tea³rica Daniel Hackett e Denis Boyda, o professor Kyle Cranmer da NYU e cientistas de aprendizado de ma¡quina com experiência em física do Google Deep Mind, Sanãbastien Racania¨re e Danilo Jimenez Rezende.

O artigo deste maªs éum de uma sanãrie que visa possibilitar estudos em física tea³rica que atualmente são intrata¡veis ​​computacionalmente. "Nosso objetivo édesenvolver novos algoritmos para um componente-chave dos ca¡lculos numanãricos em física tea³rica ", diz Kanwar. "Esses ca¡lculos nos informam sobre o funcionamento interno do Modelo Padra£o da física departículas, nossa teoria mais fundamental da matéria. Esses ca¡lculos são de vital importa¢ncia para comparar os resultados de experimentos de física departículas, como o Large Hadron Collider no CERN, tanto para restringir o modelo com mais precisão e descobrir onde o modelo falha e deve ser estendido para algo ainda mais fundamental. "

O aºnico manãtodo conhecido sistematicamente controla¡vel de estudar o Modelo Padra£o da física departículas no regime não perturbativo ébaseado em uma amostragem de instanta¢neos de flutuações qua¢nticas no va¡cuo. Ao medir as propriedades dessas flutuações, uma vez que podemos inferir propriedades daspartículas e colisaµes de interesse.

Essa técnica vem com desafios, explica Kanwar. "Essa amostragem écara e estamos procurando usar técnicas de aprendizado de ma¡quina inspiradas na física para extrair amostras com muito mais eficiência", diz ele. "O aprendizado de ma¡quina já fez grandes avanços na geração de imagens, incluindo, por exemplo, um trabalho recente da NVIDIA para gerar imagens de rostos 'sonhados' por redes neurais. Pensando nesses instanta¢neos do va¡cuo como imagens, achamos que ébastante natural recorrer a manãtodos semelhantes para o nosso problema. "

Shanahan acrescenta: "Em nossa abordagem para amostrar esses instanta¢neos qua¢nticos, otimizamos um modelo que nos leva de um espaço fa¡cil de amostrar para o espaço alvo: dado um modelo treinado, a amostragem éeficiente, pois vocêsão precisa obter amostras independentes no espaço fa¡cil de amostrar e transforma¡-los por meio do modelo aprendido. "

Em particular, o grupo introduziu uma estrutura para a construção de modelos de aprendizado de ma¡quina que respeitam exatamente uma classe de simetrias, chamadas de "simetrias de medição", cruciais para estudar física de alta energia.

Como prova de princa­pio, Shanahan e colegas usaram sua estrutura para treinar modelos de aprendizado de ma¡quina para simular uma teoria em duasDimensões , resultando em ganhos de eficiência de ordens de magnitude em relação a s técnicas de ponta e previsaµes mais precisas do teoria. Isso abre caminho para uma pesquisa significativamente acelerada sobre as forças fundamentais da natureza, usando o aprendizado de ma¡quina baseado em física.

Os primeiros artigos do grupo como uma colaboração discutiram a aplicação da técnica de aprendizado de ma¡quina a uma teoria de campo de rede simples e desenvolveram esta classe de abordagens em variedades compactas e conectadas que descrevem as teorias de campo mais complicadas do Modelo Padra£o. Agora eles estãotrabalhando para dimensionar as técnicas para ca¡lculos de última geração.

"Acho que mostramos no ano passado que émuito promissor combinar o conhecimento da física com as técnicas de aprendizado de ma¡quina", disse Kanwar. "Estamos pensando ativamente em como lidar com as barreiras remanescentes na forma de realizar simulações em escala real usando nossa abordagem. Espero ver a primeira aplicação desses manãtodos para ca¡lculos em escala nos pra³ximos anos. Se formos capazes para superar os últimos obsta¡culos, isso promete estender o que podemos fazer com recursos limitados, e eu sonho em realizar ca¡lculos em breve que nos daªem novos insights sobre o que estãoalém de nossa melhor compreensão da física hoje. "

Essa ideia de aprendizado de ma¡quina baseado em física também éconhecida pela equipe como "ab-initio AI", um tema-chave do recanãm-lana§ado Instituto Nacional da Fundação de Ciência para Inteligaªncia Artificial e Interações Fundamentais (IAIFI), onde Shanahan estãopesquisando coordenador de teoria da física.