Dificilmente poderia ser mais complicado: minúsculas partículas giram descontroladamente com energia extremamente alta, inúmeras interações ocorrem no emaranhado de partículas quânticas, e isso resulta em um estado da matéria conhecido como “plasma quark-gluon”. Imediatamente após o Big Bang, todo o universo estava nesse estado; hoje é produzido por colisões de núcleos atômicos de alta energia, por exemplo no CERN.
Tais processos só podem ser estudados usando computadores de alto desempenho e simulações computacionais de alta complexidade cujos resultados são difíceis de avaliar. Portanto, usar inteligência artificial ou aprendizado de máquina para esse fim parece uma ideia óbvia. Algoritmos comuns de aprendizado de máquina, no entanto, não são adequados para essa tarefa. As propriedades matemáticas da física de partículas requerem uma estrutura muito especial de redes neurais. Na TU Wien (Viena), agora foi mostrado como as redes neurais podem ser usadas com sucesso para essas tarefas desafiadoras em física de partículas.
Redes neurais
“A simulação de um plasma quark-glúon da forma mais realista possível requer uma quantidade extremamente grande de tempo de computação”, diz o Dr. Andreas Ipp do Instituto de Física Teórica da TU Wien. “Mesmo os maiores supercomputadores do mundo estão sobrecarregados com isso.” Portanto, seria desejável não calcular todos os detalhes com precisão, mas reconhecer e prever certas propriedades do plasma com a ajuda da inteligência artificial.
Portanto, redes neurais são usadas, semelhantes às usadas para reconhecimento de imagem: “neurônios” artificiais são ligados no computador de maneira semelhante aos neurônios do cérebro – e isso cria uma rede que pode reconhecer, por exemplo, se há ou não um gato é visível em uma determinada imagem.
Ao aplicar essa técnica ao plasma quark-gluon, no entanto, há um problema sério: os campos quânticos usados para descrever matematicamente as partículas e as forças entre elas podem ser representadas de várias maneiras diferentes. “Isso é conhecido como simetrias de calibre”, diz Ipp. “O princípio básico por trás disso é algo com o qual estamos familiarizados: se eu calibrar um dispositivo de medição de maneira diferente, por exemplo, se eu usar a escala Kelvin em vez da escala Celsius para meu termômetro, obterei números completamente diferentes, mesmo que eu esteja descrevendo o mesmo estado físico. É semelhante com as teorias quânticas, exceto que as mudanças permitidas são matematicamente muito mais complicadas.” Objetos matemáticos que parecem completamente diferentes à primeira vista podem de fato descrever o mesmo estado físico.
Simetrias de medida construídas na estrutura da rede
“Se você não levar em conta essas simetrias de medida, não poderá interpretar significativamente os resultados das simulações de computador”, diz o Dr. David I. Müller. “Ensinar uma rede neural a descobrir essas simetrias de medida por conta própria seria extremamente difícil. É muito melhor começar projetando a estrutura da rede neural de tal forma que a simetria de medida seja automaticamente levada em consideração – de modo que diferentes representações do mesmo estado físico também produzem os mesmos sinais na rede neural”, diz Müller. “Isso é exatamente o que conseguimos fazer agora: desenvolvemos camadas de rede completamente novas que levam automaticamente em consideração a invariância do medidor.” Em algumas aplicações de teste, foi demonstrado que essas redes podem realmente aprender muito melhor como lidar com os dados de simulação do plasma quark-gluon.
“Com essas redes neurais, torna-se possível fazer previsões sobre o sistema – por exemplo, para estimar como será o plasma de quark-glúon em um momento posterior sem precisar calcular cada etapa intermediária em detalhes, “, diz Andreas Ipp. “E, ao mesmo tempo, garante-se que o sistema só produz resultados que não contradizem a simetria de medida – em outras palavras, resultados que fazem sentido, pelo menos em princípio.”
Levará algum tempo até que seja possível simular completamente colisões de núcleos atômicos no CERN com esses métodos, mas o novo tipo de redes neurais fornece uma ferramenta completamente nova e promissora para descrever fenômenos físicos para os quais todos os outros métodos computacionais podem nunca ser poderosos o suficiente.
Publicado em 26/01/2022 15h53
Artigo original:
Estudo original: