Прогресс ИИ ускоряет исследования в области квантовой хромодинамики

ИИ научился видеть невидимое внутри протонов и помогает раскрывать тайны элементарных частиц. Теперь эксперименты в физике стали точнее, а Вселенная — чуть понятнее.

Искусственный интеллект и машинное обучение помогают глубже понять внутреннее строение протонов, раскрывая сложные распределения кварков и глюонов, что важно для предсказаний в физике высоких энергий

Источник: Unsplash

В статье, опубликованной в журнале Physical Review D, исследователи из Аргоннской национальной лаборатории Министерства энергетики США представили инновационный подход к анализу функций распределения партонов (PDF). Эти функции — сложные математические модели, которые описывают распределение кварков и глюонов, мельчайших частиц, входящих в состав протона, частицы, находящейся в ядре атома. Работа проведена при активном применении методов искусственного интеллекта (ИИ) и машинного обучения (МО), которые позволяют лучше обрабатывать большие массивы экспериментальных данных.

PDF важны для прогнозирования результатов экспериментов в области физики высоких энергий, таких как столкновения протонов на Большом адронном коллайдере. Однако из-за сложности моделей и ограниченности данных их моделирование традиционными способами оказывается затруднительным. Новый фреймворк, названный «PDFdecoder», основан на архитектуре нейронных сетей кодера-декодера. Эта модель упрощает сложные данные и восстанавливает исходные сведения, повышая точность и интерпретируемость результатов.

Эксперименты в области физики высоких энергий направлены на выявление признаков неизвестных частиц или взаимодействий за пределами Стандартной модели (BSM). Однако сохраняющиеся неопределенности в теоретических предсказаниях, экспериментальных данных и функциях распределения партонов могут скрыть эти результаты. Методы ИИ/МО предлагают решения для распутывания этих сложностей в физике частиц

Источник: Journal of High Energy Physics

Особое внимание уделяется моментам Меллина — математическим выражениям, которые суммируют распределение кварков и глюонов. Использование генеративного ИИ помогает заполнить пробелы в данных и воспроизвести начальные условия, необходимые для точного моделирования протонных структур. Такой подход улучшает связь между теорией и экспериментом, обеспечивая более надежные предсказания.

В другом исследовании, опубликованном в журнале Journal of High Energy Physics, ученые представили фреймворк «XAI4PDF». Эта структура применяет объяснимые методы ИИ, делающие процессы принятия решений в моделях прозрачными. Используя архитектуру нейронных сетей ResNet, исследователи классифицируют функции PDF по теоретическим предположениям и отслеживают, как они влияют на характеристики моделей.

Новые методы ИИ делают процесс анализа более прозрачным и точным, открывая путь к лучшему пониманию фундаментальных частиц и возможным открытиям за пределами существующей теории

Источник: Unsplash

По словам ученых, развитие ИИ и МО в теоретической физике позволяет раскрывать новые аспекты элементарных частиц и расширять возможности физики высоких энергий. Это открывает перспективы для более глубокого понимания фундаментальных сил и поиска новых частиц, выходящих за рамки современной Стандартной модели.

ИИ меняет не только физику частиц, но и борьбу с вирусами, помогая заглянуть в их будущее и создать защиту заранее. Ранее Наука Mail рассказала о модели, которая предсказывает вирусные мутации и помогает готовить вакцины против быстро меняющихся угроз.