Estudiando el big bang con inteligencia artificial
enero 26, 2022No podría ser más complicado: pequeñas partículas se arremolinan salvajemente con una energía extremadamente alta, se producen innumerables interacciones en el intrincado lío de partículas cuánticas y esto da como resultado un estado de la materia conocido como «plasma de quarks-gluones». Inmediatamente después del Big Bang, todo el universo estaba en este estado; hoy se produce por colisiones de núcleos atómicos de alta energía, por ejemplo en el CERN.
Dichos procesos solo pueden estudiarse utilizando computadoras de alto rendimiento y simulaciones informáticas altamente complejas cuyos resultados son difíciles de evaluar. Por lo tanto, usar inteligencia artificial o aprendizaje automático para este propósito parece una idea obvia. Sin embargo, los algoritmos normales de aprendizaje automático no son adecuados para esta tarea. Las propiedades matemáticas de la física de partículas requieren una estructura muy especial de redes neuronales. En TU Wien (Viena), ahora se ha demostrado cómo las redes neuronales se pueden utilizar con éxito para estas tareas desafiantes en la física de partículas.
Redes neuronales
«La simulación de un plasma de quarks-gluones de la manera más realista posible requiere una cantidad extremadamente grande de tiempo de cálculo», dice el Dr. Andreas Ipp del Instituto de Física Teórica de TU Wien. «Incluso las supercomputadoras más grandes del mundo están abrumadas por esto». Por lo tanto, sería deseable no calcular con precisión cada detalle, sino reconocer y predecir ciertas propiedades del plasma con la ayuda de la inteligencia artificial.
Por lo tanto, se utilizan redes neuronales, similares a las que se utilizan para el reconocimiento de imágenes: las «neuronas» artificiales se conectan entre sí en la computadora de manera similar a las neuronas en el cerebro, y esto crea una red que puede reconocer, por ejemplo, si un gato es visible en cierta imagen.
Sin embargo, cuando se aplica esta técnica al plasma de quarks-gluones, surge un problema grave: los campos cuánticos utilizados para describir matemáticamente las partículas y las fuerzas entre ellas se pueden representar de varias maneras. «Esto se conoce como simetrías de calibre», dice Ipp. “El principio detrás de esto es algo que sabemos: si mido un metro de manera diferente, por ejemplo, si uso la escala Kelvin en lugar de la escala Celsius para mi termómetro, obtengo números completamente diferentes, aunque esté describiendo el mismo estado físico. Es similar con las teorías cuánticas, excepto que las modificaciones permitidas son matemáticamente mucho más complicadas.” Los objetos matemáticos que a primera vista parecen completamente diferentes pueden, de hecho, describir el mismo estado físico.
Simetrías de calibre integradas en la estructura de la red.
«Si no se tienen en cuenta estas simetrías de calibre, no es posible interpretar los resultados de las simulaciones por computadora de manera significativa», dice el Dr. David I. Muller. “Enseñar a una red neuronal a comprender estas simetrías de calibre por sí sola sería extremadamente difícil. Es mucho mejor comenzar diseñando la estructura de la red neuronal de tal manera que la simetría de calibre se tenga en cuenta automáticamente, de modo que diferentes representaciones del mismo estado físico también produzcan las mismas señales en la red neuronal «, dice Muller. » Eso es exactamente lo que es. Lo que hemos podido hacer ahora: hemos desarrollado capas de red completamente nuevas que automáticamente toman en cuenta la invariancia de calibre. «En algunas aplicaciones de prueba, se ha demostrado que estas redes realmente pueden aprender mucho mejor cómo para manejar datos de simulación plasma de quarks-gluones.
«Con tales redes neuronales, es posible hacer predicciones sobre el sistema, por ejemplo, para estimar cómo se verá el plasma de quarks y gluones en un momento posterior sin tener que calcular en detalle cada paso intermedio en el tiempo», dice Andreas Ipp. “Y al mismo tiempo, se garantiza que el sistema produce solo resultados que no contradicen la simetría de calibre, es decir, resultados que tienen sentido al menos en principio”.
Pasará algún tiempo antes de que sea posible simular completamente colisiones de núcleos atómicos en el CERN con tales métodos, pero el nuevo tipo de redes neuronales proporciona una herramienta completamente nueva y prometedora para describir fenómenos físicos para los que todos los demás métodos computacionales pueden no ser nunca poderosos. suficiente. 10.1103/PhysRevLett.128.032003
