O modelo padrão da física de partículas descreve todas as partículas elementares conhecidas e três das quatro forças fundamentais que governam o universo; tudo, exceto a gravidade. Essas três forças – eletromagnética, forte e fraca – governam como as partículas são formadas, como elas interagem e como as partículas decaem.
O estudo da física de partículas e nuclear dentro dessa estrutura, entretanto, é difícil e depende de estudos numéricos em grande escala. Por exemplo, muitos aspectos da força forte requerem simular numericamente a dinâmica na escala de 1/10 a 1/100 do tamanho de um próton para responder a questões fundamentais sobre as propriedades dos prótons, nêutrons e núcleos.
“Em última análise, somos limitados computacionalmente no estudo do próton 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 princípio, mas simplesmente não temos computação suficiente, embora operemos nos maiores supercomputadores do mundo.”
Para superar essas limitações, Shanahan lidera um grupo que combina física teórica com modelos de aprendizado de máquina. Em seu artigo “Amostragem baseada em fluxo equivariante para teoria de gage gage”, publicado este mês na Physical Review Letters, eles mostram como incorporar as simetrias das teorias da física em arquiteturas de aprendizagem de máquina e inteligência artificial pode fornecer algoritmos muito mais rápidos para a física teórica.
“Estamos usando o aprendizado de máquina não para analisar grandes quantidades de dados, mas para acelerar a teoria dos primeiros princípios de uma forma que não comprometa o rigor da abordagem”, diz Shanahan. “Este trabalho em particular demonstrou que podemos construir arquiteturas de aprendizado de máquina com algumas das simetrias do modelo padrão de partículas 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 está na NYU. O projeto se expandiu para incluir os pós-doutorandos do Centro de Física Teórica Daniel Hackett e Denis Boyda, o professor Kyle Cranmer da NYU e cientistas de aprendizado de máquina com experiência em física do Google Deep Mind, Sébastien Racanière e Danilo Jimenez Rezende.
O artigo deste mês é um de uma série que visa possibilitar estudos em física teórica que atualmente são intratáveis computacionalmente. “Nosso objetivo é desenvolver novos algoritmos para um componente-chave dos cálculos numéricos em física teórica”, diz Kanwar. “Esses cálculos nos informam sobre o funcionamento interno do Modelo Padrão da física de partículas, nossa teoria mais fundamental da matéria. Esses cálculos são de vital importância para comparar os resultados de experimentos de física de partículas, 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 único método conhecido sistematicamente controlável de estudar o Modelo Padrão da física de partículas no regime não perturbativo é baseado em uma amostragem de instantâneos de flutuações quânticas no vácuo. Ao medir as propriedades dessas flutuações, uma vez que podemos inferir propriedades das partículas e colisões de interesse.
Essa técnica vem com desafios, explica Kanwar. “Essa amostragem é cara e estamos procurando usar técnicas de aprendizado de máquina inspiradas na física para extrair amostras com muito mais eficiência”, diz ele. “O aprendizado de máquina 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 instantâneos do vácuo como imagens, achamos que é bastante natural recorrer a métodos semelhantes para o nosso problema. ”
Shanahan acrescenta: “Em nossa abordagem para amostrar esses instantâneos quânticos, otimizamos um modelo que nos leva de um espaço fácil de amostrar para o espaço alvo: dado um modelo treinado, a amostragem é eficiente, pois você só precisa obter amostras independentes no espaço fácil de amostrar e transformá-los por meio do modelo aprendido. ”
Em particular, o grupo introduziu uma estrutura para a construção de modelos de aprendizado de máquina que respeitam exatamente uma classe de simetrias, chamadas de “simetrias de medição”, cruciais para estudar física de alta energia.
Como prova de princípio, Shanahan e colegas usaram sua estrutura para treinar modelos de aprendizado de máquina para simular uma teoria em duas dimensões, resultando em ganhos de eficiência de ordens de magnitude em relação às técnicas de ponta e previsões mais precisas do teoria. Isso abre caminho para uma pesquisa significativamente acelerada sobre as forças fundamentais da natureza, usando o aprendizado de máquina baseado em física.
Os primeiros artigos do grupo como uma colaboração discutiram a aplicação da técnica de aprendizado de máquina 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 Padrão. Agora eles estão trabalhando para dimensionar as técnicas para cálculos de última geração.
“Acho que mostramos no ano passado que é muito promissor combinar o conhecimento da física com as técnicas de aprendizado de máquina”, 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 métodos para cálculos em escala nos próximos anos. Se formos capazes para superar os últimos obstáculos, isso promete estender o que podemos fazer com recursos limitados, e eu sonho em realizar cálculos em breve que nos dêem novos insights sobre o que está além de nossa melhor compreensão da física hoje. ”
Essa ideia de aprendizado de máquina baseado em física também é conhecida pela equipe como “ab-initio AI”, um tema-chave do recém-lançado Instituto Nacional da Fundação de Ciência para Inteligência Artificial e Interações Fundamentais (IAIFI), onde Shanahan está pesquisando coordenador de teoria da física.
Publicado em 27/09/2020 18h21
Artigo original:
Estudo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: