Как искусственный интеллект революционизирует исследования в области физики

На заре физики математические модели кропотливо писались и решались вручную (я вспоминаю Эйнштейна, стоящего перед классной доской с уравнениями). В наши дни искусственный интеллект и машинное обучение дают исследователям возможность моделировать и вычислять сложные физические задачи с гораздо большей скоростью, точностью и творчеством, чем когда-либо прежде. В этой статье представлен обзор некоторых из моих любимых приложений ИИ в исследованиях, связанных с физикой.

ИИ и гравитация

Поскольку гравитационные волны были впервые обнаружены в 2015 году усовершенствованной обсерваторией гравитационных волн с лазерным интерферометром (LIGO), исследователи получили возможность изучать все более широкий диапазон гравитационных волн из большего объема Вселенной. Повышение чувствительности детекторов LIGO означает, что исследователям предоставляется большой объем данных, которые необходимо разобрать и определить источники гравитационных волн.

В прошлом месяце междисциплинарная мультиинституциональная группа Аргоннской национальной лаборатории Министерства энергетики США (DOE) совместно с сотрудниками из Аргонна, Чикагского университета, Иллинойского университета в Урбана-Шампейн, NVIDIA и IBM опубликовали доклад В Nature Astronomy, демонстрирующий метод ускоренного, масштабируемого и воспроизводимого обнаружения гравитационных волн на основе ИИ.

Структура команды на основе искусственного интеллекта демонстрирует, что модели искусственного интеллекта могут быть такими же чувствительными, как и традиционные методы обнаружения гравитационных волн, и на несколько порядков быстрее.

Ян Фостер, директор подразделения Argonne Data Science and Learning (DSL), подчеркивает последствия этого продвижения: Как ученого-информатика, что меня интересует в этом проекте, так это то, что он показывает, как с помощью правильных инструментов можно использовать методы искусственного интеллекта. могут быть естественным образом интегрированы в рабочие процессы ученых, позволяя им выполнять свою работу быстрее и лучше, увеличивая, а не заменяя человеческий интеллект .

AI и Вселенная

Природа Вселенной - тема, давно занимавшая воображение исследователей. Это вызвало инвестиции и интерес к исследованию космоса до такой степени, что теперь мы знаем о других планетах больше, чем о глубинах океана сами по себе. Тем не менее, предстоит изучить еще много фундаментальной информации.

Но как обрабатывать информацию, необходимую для того, чтобы делать выводы о таком огромном пространстве?

В недавней публикации исследователи описывают, как они построили модель нейронной сети для прогнозирования формирования структуры Вселенной. По словам авторов статьи, полное понимание формирования структуры Вселенной - один из святых Граалей современной астрофизики.

Покорение этого великого неизвестного побудило исследователей создать свою модель смещения глубокой плотности (D3M), которая использует глубокое обучение для создания сложных трехмерных симуляций в космологии.

Результаты исследования показывают, что глубокое обучение может стать мощной альтернативой традиционному численному моделированию в космологии, вычисление которого требует гораздо больших вычислительных ресурсов.

Кристофер Таннелл из Университета Райса является частью проекта XENONnT, который направлен на обнаружение следов темной материи, которая достигает нас здесь, на Земле. Tunnel также получил помощь от Национального научного фонда CAREER Award, чтобы адаптировать машинное обучение для изучения природы Вселенной.

«В моей группе есть два основных направления деятельности, - сказал Таннелл, - одно - это чистая физика астрономических частиц, создание детекторов темной материи. Это наша повседневная работа. Другой - это исследования и разработки в области науки о данных и машинного обучения. Цель нашего предложения CAREER - связать эти два вида деятельности, чтобы применить наши исследования и разработки в области науки о данных для решения сложных физических задач ».

Финансирование пойдет на создание команды исследователей, обладающих уникальным сочетанием вычислительной науки и физических навыков, необходимых для разгадки тайн темной материи, которые исследует Таннелл.

AI и погода

Хотя ежедневные прогнозы погоды считаются в основном решенной проблемой, нам все еще трудно предсказать экстремальные явления, такие как волны тепла, заморозки и их влияние. Эти события могут поразительным образом бросить вызов инфраструктуре и здоровью человека.

Педрам Хасанзаде и его команда, специалист по гидродинамике из Университета Райса, решают взглянуть свежим взглядом на решение проблемы. Хасанзаде отметил, что,

«Когда вы получаете эти волны тепла или холода, если вы посмотрите на карту погоды, вы часто увидите какое-то странное поведение в струйном потоке, аномальные вещи, такие как большие волны или большую систему высокого давления, которая не движется на все, похоже, это проблема распознавания образов. Поэтому мы решили попытаться переформулировать прогноз экстремальных погодных условий как проблему распознавания образов, а не числовую задачу ».

Хасанзаде и его команда использовали капсульные нейронные сети, чтобы делать пятидневные прогнозы экстремальной погоды. Капсульные нейронные сети не требуют такого количества обучающих данных, как другие нейронные сети. Это было идеальное приложение из-за ограниченной доступности спутниковых данных и редких событий.

Команде удалось показать, что алгоритм может изучить закономерность, критическую для прогнозирования экстремальных погодных условий.

Дальнейшее развитие этого исследования могло бы обеспечить систему раннего предупреждения для прогнозирования погоды. Поскольку погодные условия становятся все более экстремальными из-за антропогенного изменения климата, необходимость применения ИИ в работе имеет решающее значение для повышения готовности к стихийным бедствиям.

ИИ и сворачивание белков

Исследователи долгое время работали над созданием модели для представления белковых структур. Масштабируемое решение окажет серьезное влияние на сектор здравоохранения. Тем не менее, сложность и изменчивость, присущие белковым структурам, до недавнего времени не позволяли моделировать эту проблему.

В прошлом году DeepMind (британская лаборатория искусственного интеллекта и дочерняя компания Alphabet Inc, материнской компании Google) штурмом взяла мир моделирования структуры белков. Модель AlphaFold от DeepMind решила проблему 50-летней давности на CASP, проводимом раз в два года соревновании по критической оценке предсказания структуры белка, целью которого является обеспечение независимой оценки дизайна алгоритмов моделирования структуры белка.

DeepMind сделал новости не только из-за победы в CASP (превосходство над конкурентами в 25 из 43 случаев, при этом занявший второе место выиграло три из тех же 43), но также и потому, что неспециалист впервые участвовал в соревновании, в котором обычно участвовали команды из разных стран. лаборатории, посвященные изучению белковых структур.

В прошлом месяце DeepMind снова попал в заголовки газет, заявив, что он будет использовать AlphaFold для раскрытия структуры каждого белка, известного науке. База данных предоставит исследователям потенциальный инструментарий для улучшения процесса открытия лекарств и лучшего понимания болезней. Последствия этой работы выйдут далеко за пределы мира ИИ. Дальнейшие мысли по теме можно найти здесь.

ИИ и физика

Фреймворки, управляемые искусственным интеллектом, ускоряют развитие множества критических областей физических исследований. От белковых структур до моделирования климата, обнаружения гравитационных волн и понимания Вселенной - эти прорывы демонстрируют долгосрочное влияние ИИ на научные открытия.

Воздействие использования ИИ для создания новых моделей для решения сложных физических задач может резко ускорить темпы прогресса научных открытий в самых фундаментальных областях знаний, которые объясняют и формируют мир и вселенную, в которых мы живем.

Подпишитесь на информационный бюллетень Института Кена Кеннеди, чтобы оставаться в курсе.