麻省理工学院的桑迪·米勒 艺术家对机器学习体系结构的印象，该体系结构明确编码了2D晶格场理论的规范对称性
学分:麻省理工学院-深度思维合作
粒子物理标准模型描述了所有已知的基本粒子和支配宇宙的四种基本力中的三种；除了重力以外的一切
这三种力——电磁的、强的和弱的——决定了粒子是如何形成的，它们是如何相互作用的，以及粒子是如何衰变的
然而，在这个框架内研究粒子和核物理是困难的，并且依赖于大规模的数值研究
例如，强力的许多方面需要以质子大小的1/ 10到1/100的比例数值模拟动力学，以回答关于质子、中子和原子核性质的基本问题
物理学助理教授菲亚拉·沙纳汉说:“最终，我们在利用晶格场理论研究质子和核结构时，在计算上受到了限制。”
“原则上，我们知道如何解决许多有趣的问题，但是我们没有足够的计算能力，尽管我们在世界上最大的超级计算机上运行
" 为了突破这些限制，沙纳汉领导了一个将理论物理和机器学习模型相结合的小组
他们在本月发表在《物理评论快报》上的论文《基于晶格规范理论的等变流采样》中，展示了如何将物理理论的对称性纳入机器学习和人工智能架构，从而为理论物理提供更快的算法
沙纳汉说:“我们使用机器学习不是为了分析大量数据，而是为了以一种不损害方法严谨性的方式加速第一原理理论。”
“这项特殊的工作表明，我们可以构建内置粒子和原子核物理标准模型的一些对称性的机器学习架构，并将我们瞄准的采样问题加快几个数量级
" 沙纳汉和麻省理工学院的研究生古尔特·坎瓦尔以及现在在NYU的迈克尔·阿尔伯格一起发起了这个项目
该项目扩大到包括理论物理中心的博士后丹尼尔·哈克特和丹尼斯·博伊达，NYU大学的凯尔·克兰默教授，以及谷歌深层思维公司的精通物理的机器学习科学家塞巴斯蒂安·拉卡尼耶和达尼洛·希门尼斯·雷赞德
本月的论文是一系列论文中的一篇，旨在使目前计算上难以解决的理论物理研究成为可能
“我们的目标是为理论物理中数值计算的一个关键部分开发新的算法，”坎瓦尔说
“这些计算告诉我们粒子物理标准模型的内部运作，这是我们最基本的物质理论
这样的计算对于比较粒子物理实验的结果至关重要，比如欧洲粒子物理研究所的大型强子对撞机，既可以更精确地约束模型，也可以发现模型在哪里崩溃，必须扩展到更基本的东西
" 唯一已知的研究非微扰态粒子物理标准模型的系统可控方法是基于真空中量子涨落的一组快照
通过测量这些波动的性质，一度可以推断出感兴趣的粒子和碰撞的性质
坎瓦尔解释说，这项技术伴随着挑战
“这种取样是昂贵的，我们希望使用物理启发的机器学习技术来更有效地抽取样本，”他说
“机器学习已经在生成图像方面取得了长足的进步，例如，包括英伟达最近通过神经网络生成‘虚构’人脸图像的工作
把这些真空的快照想象成图像，我们认为求助于类似的方法来解决我们的问题是很自然的
" 沙纳汉补充道:“在我们对这些量子快照进行采样的方法中，我们优化了一个模型，该模型将我们从一个易于采样的空间带到目标空间:给定一个经过训练的模型，采样是高效的，因为您只需要在易于采样的空间中获取独立的样本，并通过学习的模型对它们进行转换
" 特别是，该小组引入了一个构建机器学习模型的框架，该模型完全尊重一类对称，称为“规范对称”，对研究高能物理至关重要
作为原理的证明，沙纳汉和他的同事们利用他们的框架训练机器学习模型来模拟二维理论，从而使效率比最先进的技术提高了几个数量级，并根据该理论做出了更精确的预测
这为使用基于物理学的机器学习来加速研究自然界的基本力量铺平了道路
该小组最初的几篇合作论文讨论了将机器学习技术应用于简单的晶格场理论，并在描述标准模型的更复杂场理论的紧致连通流形上发展了这类方法
现在他们正致力于将这些技术扩展到最先进的计算
“我认为我们在过去的一年里已经表明，将物理知识与机器学习技术相结合是很有希望的，”坎瓦尔说
“我们正在积极思考如何利用我们的方法在执行全面模拟的过程中解决剩余的障碍
我希望在未来几年内看到这些方法在大规模计算中的首次应用
如果我们能够克服最后几个障碍，这有望扩大我们用有限的资源所能做的事情，我梦想很快进行计算，让我们对今天超越我们对物理学的最佳理解的东西有新的见解
" 这个基于物理的机器学习的想法也被该团队称为“从头人工智能”，这是最近成立的麻省理工学院国家科学基金会人工智能和基础交互研究所(IAIFI)的一个关键主题，沙纳汉是该研究所物理理论的研究协调员
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
