Les secrets du Big Bang
Découvrir les secrets du Big Bang avec l’apprentissage automatique. L’apprentissage automatique peut-il s’utiliser pour révéler les secrets du plasma quark gluon ? Oui, il peut. Cependant, uniquement avec de nouvelles méthodes avancées.
Cela peut difficilement être plus compliqué. De petites particules tourbillonnent sauvagement avec une énergie extrêmement élevée, de nombreuses interactions se produisent dans le désordre emmêlé des particules quantiques. Cela conduit à un état de la matière appelé « plasma quark-gluon ». Immédiatement après le Big Bang, l’univers entier s’est retrouvé dans cet état. Aujourd’hui, il est généré par des collisions de noyaux atomiques à haute énergie, par exemple au CERN.
De tels processus peuvent simplement s’examiner à l’aide d’ordinateurs performants et de simulations informatiques très complexes dont les résultats sont difficiles à évaluer. Pour cette raison, utiliser l’intelligence artificielle ou l’apprentissage automatique pour cet objectif semble être une idée évidente. Pourtant, les algorithmes d’apprentissage automatique moyens ne sont pas idéaux pour cette tâche. Les propriétés mathématiques de la physique des particules appellent une structure très particulière des réseaux de neurones. À TU Wien (Vienne), il a maintenant été démontré comment les réseaux de neurones peuvent être utilisés efficacement pour ces tâches difficiles en physique des particules.
Les secrets du Big Bang : les réseaux de neurones
« Simuler un plasma quark-gluon de manière aussi réaliste que possible nécessite un temps de calcul extrêmement important », affirme le Dr Andreas Ipp de l’Institut de physique théorique de la TU Wien. “Même les plus grands supercalculateurs de la planète en sont déconcertés”. Par conséquent, il serait préférable de ne pas calculer chaque détail avec précision. Mais d’identifier et de prédire des propriétés spécifiques du plasma à l’aide de l’intelligence artificielle.
Par conséquent, des réseaux de neurones s’utilisaient, similaires à ceux utilisés pour la reconnaissance d’images. Les « neurones » artificiels se reliaient entre eux sur l’ordinateur de la même façon que les neurones du cerveau. Cela produit un réseau qui peut identifier, par exemple, si un chat est évident dans une image spécifique.
Cependant, il y a un problème important lors de l’utilisation de cette technique pour le plasma quark-gluon. Les champs quantiques utilisés pour expliquer mathématiquement les particules, ainsi que les forces entre elles, peuvent se représenter de différentes manières. “Ceci se décrit comme des symétries de jauge”. Déclare Ipp. « Le principe fondamental derrière, cela est quelque chose que nous connaissons. Si j’ajuste 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 nombres entièrement différents. Même si je décris exactement le même état physique. C’est comparable aux théories quantiques – à part ça, et les changements autorisés sont mathématiquement beaucoup plus complexes. Des objets mathématiques qui semblent totalement différents à première vue peuvent représenter le même état physique.
Symétries de jauge développées dans la structure du réseau
Les secrets du Big Bang.”Si vous ne tenez pas compte de ces symétries de jauge, vous ne pouvez pas interpréter de manière significative les résultats des simulations informatiques“. Affirme le Dr David I. Müller. « Enseigner à un réseau de neurones à découvrir ces symétries de jauge par lui-même serait certainement incroyablement difficile.
Il devient préférable de commencer par concevoir la structure du réseau de neurones comme si la symétrie de jauge se prise immédiatement en compte. Cela garantit que différentes représentations du même état physique créent en outre précisément les mêmes signaux dans le réseau neuronal. Explique Müller. “C’est exactement ce que nous avons réussi à faire. Nous avons en fait établi des couches réseau complètement nouvelles qui prennent immédiatement en compte l’invariance de jauge. Dans certaines applications d’examen, il se révélait que ces réseaux pourraient, en fait, mieux apprendre exactement comment gérer les données de simulation du plasma quark gluon.
À quoi ressemblera le 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 avoir à calculer en détail chaque étape intermédiaire dans le temps“. Explique Andreas Ipp. “Et en même temps, il est garanti que le système produit simplement des résultats qui ne s’opposent pas à la symétrie de jauge. En d’autres termes, des résultats qui ont au moins un sens dans le concept.”
Il faudra encore longtemps avant qu’il soit possible de reproduire pleinement les collisions de noyaux atomiques au CERN avec de telles méthodes. Pourtant, le nouveau type de réseaux de neurones offre un dispositif prometteur et totalement nouveau pour décrire des phénomènes physiques pour lesquels toutes les autres techniques de calcul ne seront peut-être jamais assez efficaces.
Lire l’article original sur Scitech Daily.
En rapport “Zoo de Particules : voyage dans le monde subatomique étrange”
