Agencias/ Ciudad de México.- En el Tecnologíco de Viena se ha demostrado cómo las redes neuronales se pueden utilizar con éxito para estudiar las condiciones físicas extraordinarias en el principio del universo.
Difícilmente podría ser más complicado: partículas diminutas giran salvajemente con una energía extremadamente alta, se producen innumerables interacciones en la maraña de partículas cuánticas, y esto da como resultado un estado de la materia conocido como “plasma de quarks y gluones”. Inmediatamente después del ‘Big Bang’, todo el universo estaba en este estado; hoy es producido 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 muy 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 ordinarios 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.
“La simulación de un plasma de quarks-gluones de la manera más realista posible requiere una cantidad extremadamente grande de tiempo de computación”, dice en un comunicado 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 cada detalle con precisión, 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, al aplicar esta técnica al plasma de quarks y 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 diferentes.
“Esto se conoce como simetrías de calibre”, dice Ipp. “El principio básico detrás de esto es algo con lo que estamos familiarizados: si calibro un dispositivo de medición 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 allí los cambios permitidos son matemáticamente mucho más complicados”. Los objetos matemáticos que parecen completamente diferentes a primera vista pueden, de hecho, describir el mismo estado físico.
“Si no tiene en cuenta estas simetrías de calibre, no podrá interpretar de manera significativa los resultados de las simulaciones por computadora”, dice el Dr. David I. Müller. “Enseñar a una red neuronal a descubrir 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 producen las mismas señales en la red neuronal”, dice Müller. “Eso es exactamente lo que ahora hemos logrado hacer: hemos desarrollado capas de red completamente nuevas que automáticamente toman en cuenta la invariancia Gauge”. En algunas aplicaciones de prueba, se demostró que estas redes en realidad pueden aprender mucho mejor cómo manejar los datos de simulación del plasma de quarks y gluones.
“Con este tipo de redes neuronales, es posible hacer predicciones sobre el sistema, por ejemplo, estimar cómo se verá el plasma de quarks y gluones en un momento posterior sin tener que calcular cada paso intermedio en detalle”, dice Andreas Ipp. “Y al mismo tiempo, se garantiza que el sistema solo produzca resultados que no contradigan la simetría del calibre; en otras palabras, resultados que tengan sentido al menos en principio”.
Pasará algún tiempo antes de que sea posible simular por completo 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 nunca serán lo suficientemente poderosos.
La investigación fue publicada en Physical Review Letters.
Mit #KI und #machinelearning den #Urknall-Materiezustand „Quark-Gluon-Plasma“ analysieren? Bisherige #Algorithmen sind dafür ungeeignet. An der TU Wien konnte nun gezeigt werden, wie man neuronale Netze für diese Aufgaben nutzen kann.💥https://t.co/NLNc8YEGYE #AI #Teilchenphysik
— TU Wien (@tu_wien) January 25, 2022
