精密人工知能：原子核物理学と素粒子物理学における新たな力

素粒子物理学の標準モデルは、既知のすべての素粒子と、宇宙を支配する 4 つの基本的な力のうち 3 つ (重力を除く) をうまく説明しました。これら 3 つの基本的な力、つまり電磁力、強い相互作用力 (強い力と呼ばれる)、弱い相互作用力 (弱い力と呼ばれる) は、粒子の形成を制御するだけでなく、粒子が互いに相互作用する方法や、徐々に崩壊する方法も決定します。

[[344870]]

しかし、この枠組みの中で素粒子物理学や原子核物理学を研究することは依然として非常に困難であり、大規模な数値研究に頼る必要があります。たとえば、強い力に関する多くの問題では、陽子の 10 分の 1 または 100 分の 1 の大きさのウェハー上でのダイナミクスの数値シミュレーションが必要であり、それによって陽子、中性子、原子核の基本的な特性に関する疑問に答えることができます。

「結局、格子場理論を用いた陽子と原子核の構造の研究において、計算上の限界にぶつかるのです」と物理学助教授のピアラ・シャナハン氏は言う。「原理的には解決方法がわかっている興味深い問題はたくさんありますが、世界最大のスーパーコンピューターでさえ必要な計算能力を持っていません。」

これらの制限を克服するために、シャナハンは理論物理学と機械学習モデルを組み合わせたチームを率いました。最近 Physical Review Letters に掲載された論文「格子ゲージ理論のための等変フローベースのサンプリング」で、彼らは物理理論の対称性を機械学習と人工知能のアーキテクチャに組み込み、理論物理学に高速アルゴリズムをもたらす方法を実証しました。

「私たちは機械学習を大量のデータを分析するためではなく、方法の厳密さを損なわずに第一原理理論を加速するために使用しています」とシャナハン氏は説明した。「この特定の研究は、素粒子物理学と原子核物理学の標準モデルの特定の対称性を組み込んだ機械学習アーキテクチャを構築し、現在直面しているサンプリング問題に対する計算を桁違いに高速化できることを示しています。」

シャナハン氏は、MITの大学院生グルテジ・カンワール氏とニューヨーク大学のマイケル・アルベルゴ氏とともにこのプロジェクトを立ち上げた。プロジェクトが拡大するにつれ、理論物理学センターのポスドク研究員ダニエル・ハッケット氏とデニス・ボイダ氏、ニューヨーク大学のカイル・クランマー氏、そしてGoogle Deep Mindチームの物理学に精通した機械学習科学者セバスチャン・ラカニエール氏とダニロ・ヒメネス・レゼンデ氏も参加するようになりました。

最近発表された論文は、現在計算レベルで解決するのが難しい理論物理学の研究テーマを達成することを目的としています。 「私たちの目標は、理論物理学における重要な数値計算のための新しいアルゴリズムを開発することです」と、一連の論文のうちの 1 つであるこの論文でカンワルは述べています。「これらの計算により、物質の最も基本的な理論である素粒子物理学の標準モデルの内部構造に関する洞察が得られます。これらの結果は、素粒子物理学の実験 (CERN の大型ハドロン衝突型加速器など) と比較され、重要な洞察が得られると同時に、モデルをより正確に制限し、モデルのどの部分が当てはまらず、より深い基本原理に拡張する必要があるかを発見できます。」

非摂動状態で粒子物理学の標準モデルを研究する唯一の既知の体系的に制御可能な方法は、真空中の量子ゆらぎのスナップショットをサンプリングすることに基づいています。波の特性を測定することで、粒子の特性と衝突する傾向を推測することができます。

しかし、カンワール氏は、この技術の導入には多くの課題が伴うと説明する。 「サンプリングは非常にコストがかかるため、私たちは物理学の原理にヒントを得た機械学習技術を使用して、より効率的にしようと懸命に取り組んでいます。機械学習は画像生成において大きな進歩を遂げています。たとえば、Nvidia の最近の研究では、ニューラル ネットワークを使用して「想像上の」顔の画像を生成します。これらの真空スナップショットを画像として考えれば、同様の方法で研究課題に取り組むのに役立つ可能性があると考えています。 ”

シャナハン氏はさらに、「現在の量子スナップショット サンプリング方法に基づいて、サンプリングしやすい空間からターゲット空間への移行に役立つモデルを最適化しました。このトレーニング済みモデルを使用すると、サンプリングしやすい空間で独立したサンプリングを実行するだけで済み、その後モデルがサンプリング方法を変換するため、サンプリング効率が大幅に向上します」と述べています。

具体的には、チームは機械学習モデルを構築するためのフレームワークを導入しました。このモデルは、高エネルギー物理学の研究に極めて重要な「ゲージ対称性」の対称性原理を完全に尊重しています。

原理の証明として、シャナハン氏と彼の同僚は、そのフレームワークを使用して機械学習モデルをトレーニングし、理論を2次元でシミュレートし、その結果を既存の技術と比較しました。実行効率が桁違いに向上し、場の理論に基づいたより正確な予測も行えるようになったことがわかります。これらすべてにより、物理情報に裏打ちされた機械学習技術を使用して、自然の基本的な力に関する研究を大幅に加速する道が開かれます。

このグループはまた、これまでのいくつかの共同論文で、機械学習技術を単純な格子場理論に適用する方法について議論し、標準モデルよりも複雑なシーン理論の使用例を記述するために使用できるコンパクト接続多様体に基づく新しい方法を開発しました。現在、彼らはこの技術を最新のコンピューティング シナリオに拡張する取り組みを行っています。

「過去 1 年間、物理学と機械学習技術を組み合わせることには大きな可能性があると実証してきました」とカンワル氏は語ります。「現在、このアプローチを使用して完全なシミュレーションを実現し、残りのハードルに対処する方法を検討しています。願わくば、これらの手法を数年後に初めて大規模な計算に使用できるようになるでしょう。この最後のハードルを乗り越えることができれば、限られたリソースで作業する能力が大幅に向上します。私は、物理学に関する現在の最良の理解の範囲を超えて、これまで不可能だった新しい洞察を提供する実用的なアプリケーションを探求したいと考えています。」

研究チームは、物理情報に基づく機械学習のこの概念を「第一原理AI」と要約した。この概念は、MIT によって最近設立された国立科学財団の人工知能および基礎的相互作用研究所 (IAIFI) が設定した主要テーマにもなっています。シャナハン氏は理論物理学研究のコーディネーターを務めている。