粒子物理學中的標準模型，已經成功描述了所有已知基本粒子以及控制整個宇宙的全部四大基本力中的三種(除重力以外)。而這三種基本力——電磁力、強相互作用力(簡稱強電力行業)與弱相互作用力(簡稱弱力)——不僅控制著粒子的形成，也決定了粒子之間如何相互作用以及如何逐漸衰減。

然而，在這套框架之內研究粒子與核物理仍然非常困難，需要依賴於大規模數值研究。例如，強力中的不少問題都需要在質子大小的十分之一甚至是百分之一晶圓之上，對動力學進行數值模擬，因此回答關於質子、中子以及原子核基本性質的相關問題。

物理學助理教授Piala Shanahan表示，“最終，我們在使用晶格場理論的質子與核結構研究中遭遇到計算能力的限制。對於很多有趣的問題，我們只知道如何在原則上加以解決，但即使是世界上規模最大的超級計算機也不足以提供必要的算力容量。”

為了突破這些限制，Shanahan領導了一支將理論物理學與機器學習模型相結合的小組。在近日發表在《物理評論快報》上的論文《基於等變流的晶格場論取樣》(Equivariant flow-based sampling for lattice gage theory)當中，他們展示瞭如何將物理理論的對稱性納入機器學習與人工智慧架構當中，藉此為理論物理帶來更快的演算法。

Shanahan解釋道，“我們使用機器學習不是為了分析大量資料，而是希望以不損害方法嚴格性的方式加速第一原理理論。這項特殊工作表明，我們可以構建內建有粒子與核物理標準模型的某些對稱性機器學習架構，並在當前面對的取樣問題中實現量級式的計算速度提升。”

Shanahan與麻省理工學院研究生Gurtej Kanwar以及來自紐約大學的Michael Albergo共同發起了這個專案。隨著專案擴充套件，理論物理中心博士後Daniel Hackeet與Denis Boyda、紐約大學教授Kyle Cranmer、谷歌Deep Mind團隊精通物理學的機器學習科學家Sébastien Racanière與Danilo Jimenez Rezende也紛紛被吸引進來。

近日發表的論文旨在實現目前在計算層面難以解決的理論物理學研究課題。作為系列文章中的一篇，Kanwar在論文中表示“我們的目標是為理論物理領域的關鍵數值計算部分開發新的演算法。這些計算使我們深入瞭解到粒子物理學標準模型(即最基礎的物質理論)的內部工作原理。相關計算結果能夠與粒子物理實驗(例如CERN的大型強子對撞機)進行比較以帶來至關重要的啟示，同時更精確地約束模型，進而發現模型中的哪些部分無法成立、需要向更深層次的基本原理進行擴充套件等。”

研究非擾動狀態下粒子物理學標準模型的唯一已知的系統可控方法，就是基於真空中量子漲落快照的取樣。通過測量波動的特性，我們可以推斷出粒子特性及其碰撞傾向性。

但Kanwar解釋道，這項技術的實施面臨著諸多挑戰。“相關取樣工作非常昂貴，我們正在努力探索，嘗試使用受物理學原理啟發的機器學習技術提高樣本採集效率。機器學習在生成影象方面已經取得了長足的進步。例如，英偉達最近的工作就是通過神經網路生成「想象中的」人臉影象。如果將這些真空快照視為影象，相信其也有望幫助我們以類似的方法解決研究問題。”

Shanahan還補充道，“根據目前的量子快照取樣方法，我們優化出一套模型，能夠幫助我們由易於取樣的空間過渡到目標空間：利用這套經過訓練的模型，我們只需要在易於取樣的空間中進行獨立取樣，再由該模型對取樣方法進行轉換，即可極大提升取樣效率。”

具體來講，該小組引入了一套框架以構建機器學習模型。該模型完全尊重“規範對稱性”這一對於研究高能物理至關重要的對稱性原理。

作為原理證明，Shanahan及其同事使用自己的框架訓練機器學習模型，在二維空間之上模擬理論並與現有技術進行結果比較。可以看到，其執行效率迎來了數量級層面的提升，同時也能根據場論做出更精確的預測。這一切，都為使用物理資訊支援下的機器學習技術、大大加速對自然基本力體系的研究工作鋪平了道路。

該小組還在之前的幾篇合作論文中討論瞭如何將機器學習技術應用簡單的晶格場論，並以緊湊連通歧管為基礎開發出新的方法，可用於描述比標準模型更為複雜的場景論用例。現在，他們正努力將這項技術擴充套件到最新計算方案當中。

Kanwar表示，“通過過去一年的努力，我們已經證明將物理知識與機器學習技術相結合確實擁有光明的發展前景。我們正積極考慮如何使用這套方法實現全面模擬，藉此解決剩餘的障礙。希望這些方法能夠在未來幾年中首次在大規模計算中一展身手。如果能夠成功克服最後的障礙，我們在有限資源下的工作能力將得到顯著增強，我也迫切期待著在實際應用中探索那些超出現有最優物理理解範疇的事物，為其建立起前所未有的新穎見解。”

該團隊將這種基於物理資訊的機器學習概念，總結為“從頭算起型AI”。這一概念，也成為最近剛剛由麻省理工學院成立的美國國家科學基金會人工智慧與基礎互動研究所(IAIFI)設定的一大關鍵主題。而Shanahan本人在其中擔任物理理論研究協調員。