用人工智能研究宇宙大爆炸

　　机器学习可以用来揭开夸克胶子等离子体的秘密吗？是的——但仅限于复杂的新方法。据维也纳科技大学研究，人工智能正被用于许多极其复杂的任务。那么为什么不使用机器学习来研究粒子物理学呢？事实证明，这并不容易，因为粒子物理学有一些特殊的数学特性。但现在，已经开发出一种神经网络，可以用来研究夸克胶子等离子体——宇宙大爆炸后的状态。
　　再复杂不过了：微小的粒子以极高的能量疯狂地旋转，无数的相互作用在量子粒子的纠结中发生，这导致了一种被称为＂夸克-胶子等离子体＂的物质状态。大爆炸之后，整个宇宙都处于这种状态；今天它是由高能原子核碰撞产生的，例如在欧洲核子研究中心。
　　此类过程只能使用高性能计算机和高度复杂的计算机模拟来研究，其结果难以评估。因此，为此目的使用人工智能或机器学习似乎是一个显而易见的想法。然而，普通的机器学习算法并不适合这项任务。粒子物理学的数学特性需要非常特殊的神经网络结构。在 TU Wien（维也纳），现在已经展示了神经网络如何成功地用于粒子物理学中的这些具有挑战性的任务。
　　神经网络
　　＂尽可能逼真地模拟夸克-胶子等离子体需要大量的计算时间，＂TU Wien 理论物理研究所的 Andreas Ipp 博士说。＂即使是世界上最大的超级计算机也被这个淹没了。＂ 因此，不希望精确计算每个细节，而是在人工智能的帮助下识别和预测等离子体的某些特性。
　　因此，使用了类似于用于图像识别的神经网络：人工＂神经元＂在计算机上以与大脑中的神经元类似的方式连接在一起——这创建了一个可以识别的网络，例如，是否在某张图片中看不到猫。
　　然而，当将这种技术应用于夸克-胶子等离子体时，存在一个严重的问题：用于数学描述粒子的量子场以及它们之间的力可以用各种不同的方式表示。＂这被称为规范对称性，＂Ipp 说。＂这背后的基本原理是我们所熟悉的：如果我以不同的方式校准测量设备，例如，如果我的温度计使用开尔文刻度而不是摄氏刻度，我会得到完全不同的数字，即使我描述的是相同的物理状态。它与量子理论相似——除了允许的变化在数学上要复杂得多。乍一看完全不同的数学对象实际上可能描述了相同的物理状态。
　　网络结构中内置的规范对称性
　　＂如果你不考虑这些规范对称性，你就无法有意义地解释计算机模拟的结果，＂David I. Müller 博士说。＂教一个神经网络自己找出这些规范对称性将是非常困难的。最好从设计神经网络的结构开始，以自动考虑规范对称性——所以相同物理状态的不同表示也会在神经网络中产生相同的信号，＂Müller 说。＂这正是我们现在成功的做法：我们开发了全新的网络层，自动将规范不变性考虑在内。＂ 在一些测试应用中，
　　＂有了这样的神经网络，就可以对系统进行预测——例如，估计夸克胶子等离子体在以后的时间点会是什么样子，而不必真正及时计算每一个中间步骤。 ＂安德烈亚斯·伊普说。＂同时，确保系统只产生与规范对称性不矛盾的结果——换句话说，至少在原则上是有意义的结果。＂
　　在欧洲核子研究中心用这种方法完全模拟原子核碰撞还需要一段时间，但新型神经网络提供了一种全新且有前途的工具来描述所有其他计算方法可能永远不够强大的物理现象.