Étudier le Big Bang avec l’intelligence artificielle : L’apprentissage automatique peut-il être utilisé pour découvrir les secrets du plasma quark-gluon ? Oui – mais seulement avec de nouvelles méthodes sophistiquées. –

De tels processus ne peuvent être étudiés qu’à l’aide d’ordinateurs performants et de simulations informatiques très complexes dont les résultats sont difficiles à évaluer. Par conséquent, utiliser l’intelligence artificielle ou l’apprentissage automatique à cette fin semble être une idée évidente. Cependant, les algorithmes d’apprentissage automatique ordinaires ne conviennent pas à cette tâche. Les propriétés mathématiques de la physique des particules nécessitent une structure très particulière des réseaux de neurones. À TU Wien (Vienne), il a maintenant été montré comment les réseaux de neurones peuvent être utilisés avec succès pour ces tâches difficiles en physique des particules.

Les réseaux de neurones

“La simulation d’un plasma quark-gluon de manière aussi réaliste que possible nécessite un temps de calcul extrêmement important”, explique le Dr Andreas Ipp de l’Institut de physique théorique de la TU Wien. “Même les plus grands supercalculateurs du monde sont dépassés par cela.” Il serait donc souhaitable de ne pas calculer précisément chaque détail, mais de reconnaître et prédire certaines propriétés du plasma à l’aide de l’intelligence artificielle.

Par conséquent, des réseaux de neurones sont utilisés, similaires à ceux utilisés pour la reconnaissance d’images : les “neurones” artificiels sont reliés entre eux sur l’ordinateur de la même manière que les neurones du cerveau – et cela crée un réseau qui peut reconnaître, par exemple, si ou pas un chat n’est visible sur une certaine image.

Lors de l’application de cette technique au plasma quark-gluon, cependant, il y a un sérieux problème : les champs quantiques utilisés pour décrire mathématiquement les particules et les forces entre elles peuvent être représentés de différentes manières. “C’est ce qu’on appelle les symétries de jauge”, explique Ipp. “Le principe de base derrière cela est quelque chose que nous connaissons : si je calibre différemment un appareil de mesure, par exemple si j’utilise l’échelle Kelvin au lieu de l’échelle Celsius pour mon thermomètre, j’obtiens des chiffres complètement différents, même si je décris le même état physique. C’est similaire avec les théories quantiques – sauf que là, les changements autorisés sont mathématiquement beaucoup plus compliqués.” Des objets mathématiques qui semblent complètement différents à première vue peuvent en fait décrire le même état physique.

Symétries de jauge intégrées dans la structure du réseau

“Si vous ne tenez pas compte de ces symétries de jauge, vous ne pouvez pas interpréter de manière significative les résultats des simulations informatiques”, déclare le Dr David I. Müller. “Enseigner à un réseau de neurones à comprendre ces symétries de jauge par lui-même serait extrêmement difficile. Il est bien préférable de commencer par concevoir la structure du réseau de neurones de manière à ce que la symétrie de jauge soit automatiquement prise en compte – donc que différentes représentations du même état physique produisent également les mêmes signaux dans le réseau neuronal », explique Müller. “C’est exactement ce que nous avons réussi à faire : nous avons développé de toutes nouvelles couches de réseau qui prennent automatiquement en compte l’invariance de jauge.” Dans certaines applications de test, il a été montré que ces réseaux peuvent en fait apprendre beaucoup mieux comment traiter les données de simulation du plasma quark-gluon.

“Avec de tels réseaux de neurones, il devient possible de faire des prédictions sur le système – par exemple, d’estimer à quoi ressemblera le plasma quark-gluon à un moment ultérieur sans vraiment avoir à calculer chaque étape intermédiaire dans le temps en détail. “, déclare Andreas Ipp. “Et en même temps, il est garanti que le système ne produit que des résultats qui ne contredisent pas la symétrie de jauge – en d’autres termes, des résultats qui ont du sens au moins en principe.”

Il faudra un certain temps avant qu’il soit possible de simuler pleinement les collisions de noyaux atomiques au CERN avec de telles méthodes, mais le nouveau type de réseaux de neurones fournit un outil complètement nouveau et prometteur pour décrire des phénomènes physiques pour lesquels toutes les autres méthodes de calcul ne seront peut-être jamais assez puissantes. .

Source de l’histoire :

Matériaux fourni par Université de technologie de Vienne. Remarque : Le contenu peut être modifié pour le style et la longueur.