Dùng AI cho nghiên cứu vật lý hạt nhân và vật lý hạt
Mô hinh chuẩn của vật lý hạt miêu tả tất cả những hạt cơ bản đã biết và ba trong bốn lực cơ bản chi phối hoạt động trong vũ trụ; tất cả ngoại trừ lực hấp dẫn. Ba lực này – lực điện từ, tương tác yếu và tương tác mạnh, ảnh hưởng đến cách các hạt hình thành, tương tác và phân rã.
Các kiến trúc học máy mã hóa đối xứng chuẩn cho lý thuyết trường trên lưới 2 D một cách rõ ràng. Nguồn: MIT-DeepMind collaboration.
Việc nghiên cứu về vật lý hạt và vật lý hạt nhân trong cái khung này, dẫu sau, là một khó khăn và phụ thuộc vào những ngiên cứu số ở quy mô lớn. Ví dụ, nhiều khía cạnh của lực tương tác mạnh đòi hỏi mô phỏng về số lượng động lực ở cấp độ 1/10 đến 1/100 kích thước của một hạt proton để trả lời những câu hỏi cơ bản về những đặc tính của các hạt proton, neutron, và hạt nhân.
“Cuối cùng, chúng tôi đã giới hạn được về mặt tính toán trong nghiên cứu về proton và cấu trúc hạt nhân với việc sử dụng lý thuyết trường trên lưới”, trợ lý giáo sư vật lý Phiala Shanahan nói. “Có nhiều vấn đề thú vị mà chúng tôi biết để giải quyết về mặt nguyên tắc nhưng chúng tôi không đủ năng lực tính toán, thậm chí ngay cả khi chúng tôi sử dụng các siêu máy tính mạnh nhất trên thế giới”.
Để thúc đẩy việc vượt qua những giới hạn này, Shanahan dẫn dắt một nhóm nghiên cứu kết hợp vật lý lý thuyết với các mô hình học máy. Trong bài báo của họ “Equivariant flow-based sampling for lattice gauge theory” (Mẫu dựa trên dòng chảy đẳng biến cho lý thuyết trường chuẩn) xuất bản trên Physical Review Letters, họ chứng tỏ cách hợp nhất các đối xứng của những lý thuyết vật lý vào các kiến trúc học máy và trí tuệ nhân tạo có thể đem lại nhiều thuật toán có khả năng xử lý vấn đề nhanh hơn cho vật lý lý thuyết.
“Chúng tôi sử dụng học máy không chỉ để phân tích một số lượng lớn dữ liệu mà còn để gia tốc lý thuyết mang những nguyên tắc đầu tiên theo một cách không ảnh hưởng đến tính chính xác của cách tiếp cận này”, Shanahan nói. “Công trình nghiên cứu này đã chứng tỏ chúng tôi có thể xây dựng các kiến trúc học máy với một số đối xứng của Mô hình Chuẩn mà vật lý hạt và vật lý hạt nhân đã tạo ra, và gia tốc vấn đề mẫu chúng tôi đang hướng đến bằng các bậc khuếch đại”.
Shanahan mở ra dự án này với học viên cao học MIT Gurtej Kanwar và Michael Albergo, người hiện thời ở NYU. Dự án này còn có thêm dự tham gia của các postdoc Daniel Hackett và and Denis Boyda của Trung tâm Vật lý lý thuyết, giáo sư NYU Kyle Cranmer và nhà khoa học chuyên về học máy ứng dụng cho vật lý tại Google Deep Mind, Sébastien Racanière và Danilo Jimenez Rezende.
Phiala Shanahan trình bày một bài giảng về vật chất trong vũ trụ. Nguồn: MIT
Bài báo của họ là một phần trong chuyên đề nhằm tăng cường các nghiên cứu trong vật lý lý thuyết hiện đang thách thức về mặt tính toán. “Mục tiêu của chúng tôi là phát triển các thuật toán mới cho một hợp phần chính của các tính toán số trong vật lý lý thuyết”, Kanwar cho biết. “Những tính toán đó cung cấp cho chúng tôi về những hoạt động bên trong của Mô hình chuẩn của vật lý hạt, lý thuyết cơ bản bậc nhất của chúng ta về vật chất. Rất nhiều tính toán vô cùng quan trọng để so sánh với những kết quả từ các thực nghiệm vật lý hạt, như ở Máy gia tốc hạt lớn LHC ở CERN, cả việc ràng buộc mô hình này chính xác hơn và để khám phá nơi nào mô hình này bị phá vỡ và phải mở rộng ra những thứ thậm chí còn cơ bản hơn nhiều”.
Phương pháp duy nhất được biết về kiểm soát hệ thống của nghiên cứu Mô hình Chuẩn của vật lý hạt trong chế độ phi nhiễu loạn (the nonperturbative regime) đặt trên một mẫu chụp nhanh của các thăng giáng lượng tử trong chân không. Bằng việc đo đạc các đặc tính của những thăng giáng này, ngay trong một lần đo cũng có thể suy ra được các dặc tính của các hạt và những va chạm nhà nghiên cứu quan tâm.
Kỹ thuật này đến với nhiều thách thức, Kanwar giải thích. “Mẫu này rất đắt, và chúng tôi đang chờ được sử dụng các kỹ thuật học máy được xây dựng với cảm hứng từ vật lý để làm ra được các mẫu một cách hiệu quả hơn”, anh nói. “Học máy cũng đã đạt được những bước tiến lớn trong việc tạo ảnh, ví dụ gần đâty là công việc của NVIDIA với những bức ảnh khuôn mặt “mơ ước” bằng các mạng thần kinh. Nghĩ về những cú chụp nhanh hình ảnh chân không, chúng tôi cho rằng việc chuyển sang các phương pháp tương tự để giải quyết vấn đề của mình là hoàn toàn tự nhiên”.
Shanahan thì cho rằng “Trong cách tiếp cận để lấy mẫu các cú chụp nhanh lượng tử đó của chúng tôi, chúng tôi đã tối ưu một mô hình có thể đưa chúng tôi từ một không gian dễ dàng cho láy mẫu đến không gian mục tiêu: với một mô hình đã được huấn luyện, việc lấy mẫu sau đó hiệu quả hơn vì anh chủ cần lấy những mẫu độc lập trong một không gian dễ dàng lấy mẫu và biến đổi nó thông qua một mô hình đã được huấn luyện”.
Cụ thể, nhóm nghiên cứu đã giới thiệu một khuôn khổ cho xây dựng các mô hình học máy tôn trọng một lớp các đối xứng, gọi là “đối xứng chuẩn”, quan trọng cho nghiên cứu vật lý năng lượng cao.
Shanahan và đồng nghiệp đã sử dụng khuôn mẫu đó của họ để huấn luyện các mô hình học máy để mô phỏng một lý thuyết hai chiều, kết quả là hiệu quả các bậc khuếch đại tăng lên theo các kỹ thuật tiên tiến và các dự đoán trong lý thuyết đó chính xác hơn nhiều. Điều này đã mở đường cho việc tăng tốc một cách đáng kể nghiên cứu các lực cơ bản của tự nhiên sử dụng học máy được hình thành từ các quy luật vật lý.
Một số bài báo của nhóm nghiên cứu đã được thảo luận về việc ứng dụng kỹ thuật học máy này cho lý thuyết trường trên lưới đơn giản và phát triển lớp tiếp cận về compact, kết nối các đa tạp vốn mô tảnhiều lý thuyết trường phức tạp hơn của Mô hình Chuẩn. Hiện tại, họ đang nghiên cứu để tăng quy mô kỹ thuật đó đến những tính toán ở mức tiên tiến hơn.
“Tôi nghĩ trong năm qua chúng tôi đã cho thấy có rất nhiều hứa hẹn trong việc kết hợp những hiểu biết về vật lý với kỹ thuật học máy”, Kanwar nói. “Chúng tôi đang nghĩ về việc loại các rào cản còn lại tên con đường thực hiện những mô phỏng ở quy mô đầy đủ với cách tiếp cận này. Tôi hi vọng sẽ nhìn thấy ứng dụng đầu tiên của những phương pháp này để có thể đem lại những tính toán ở quy mô đó cho vài năm tiếp theo. Nếu chúng tôi có khả năng vượt qua được những chướng ngại đó, điều đó hứa hẹn sẽ mở rộng được những gì chúng tôi có thể làm với nguồn lực giới hạn, và tôi mơ về việc thực hiện những tính toán sớm để có thể giúp chúng tôi có được những cái nhìn mới vào những gì nằm bên ngoài hiểu biết của chúng ta về vật lý ngày nay”.
Ý tưởng về những thuật toán học máy hình thành trên hiểu biết vật lý được nhóm nghiên cứu gọi là “ab-initio AI” (AI từ điểm bắt đầu), một chủ đề quan trọng mà Viện Trí tuệ nhân tạo và các tương tác nền tảng do MIT và Quỹ Khoa học quốc gia Mỹ đầu tư (IAIFI), nơi Shanahan là người điều phối nghiên cứu về vật lý lý thuyết.
Thanh Phương dịch
Nguồn: https://phys.org/news/2020-09-provably-exact-artificial-intelligence-nuclear.html
