فیزیکدانان نظری از تخیلات و درک عمیق خود از ریاضیات برای رمزگشایی از قوانین اساسی جهان که بر ذرات، نیروها و همه چیز در بین آنها حاکم است استفاده می کنند. نظریه پردازان به طور فزاینده ای این کار را با استفاده از یادگیری ماشین انجام می دهند.
همانطور که انتظار می رود، گروه نظریه پردازانی که از یادگیری ماشین استفاده می کنند شامل افرادی است که به عنوان نظریه پردازان «محاسباتی» طبقه بندی می شوند. اما شامل نظریهپردازان «رسمی» نیز میشود، افرادی که به خود سازگاری چارچوبهای نظری مانند نظریه ریسمان یا گرانش کوانتومی اهمیت میدهند. و شامل «پدیدارشناسان» میشود، نظریهپردازانی که در کنار آزمایشکنندگان مینشینند و در مورد ذرات یا برهمکنشهای جدیدی که میتوانند با آزمایشها آزمایش شوند، فرضیه میدهند. تجزیه و تحلیل داده های جمع آوری شده از آزمایشات؛ و با استفاده از نتایج برای ساخت مدل های جدید و چگونگی آزمایش آزمایشی آنها.
در تمام زمینههای تئوری، الگوریتمهای یادگیری ماشینی فرآیندها را سرعت میبخشند، محاسباتی را که قبلاً غیرممکن بودند انجام میدهند و حتی نظریهپردازان را وادار میکنند تا در روش انجام تحقیقات فیزیک نظری تجدیدنظر کنند.
جیم هالورسون، استاد فیزیک در دانشگاه نورث ایسترن، میگوید: «ما در ابتدای راه انقلابی آشکار هستیم: استفاده از رایانه در اکتشافات علمی». مثل این است که 50 سال از زمانی که گالیله برای اولین بار تلسکوپ خود را به سمت آسمان گرفت. بسیاری از پیشرفتهای فعلی از یادگیری ماشینی استفاده میکنند.»
دیوید شی، استاد دپارتمان فیزیک و نجوم در دانشگاه راتگرز، به روشی مشابه در مورد یادگیری ماشینی فکر می کند. او می گوید: «به جای اینکه به آسمان نگاه کنید، به داده ها نگاه کنید. بنابراین این به ما امکان می دهد تا به داده ها بسیار عمیق تر نگاه کنیم. مرزهای جدیدی را باز می کند.»
یادگیری ماشین برای فیزیک نظری
فیلا شاناهان، دانشیار فیزیک در MIT میگوید: «در انواع محاسبات نظری که من انجام میدهم، هیچ مجموعه دادهای وجود ندارد و یادگیری ماشینی برای تسریع در محاسبه نظریه از اصول اولیه به روشی دقیق ریاضی استفاده میشود. که در فیزیک هسته ای نظری و فیزیک ذرات تحقیق می کند.
شاناهان از نظریه میدان شبکه برای محاسبه ساختار پروتونها، نوترونها و هستهها از درک اولیه ما از فیزیک ذرات استفاده کرد. او میگوید که از یادگیری ماشینی برای انجام محاسبات استفاده میکند «خیلی سریعتر از اینکه بتوانید آن را به روش دیگری انجام دهید – یا شاید به روش دیگری نتوانید آن را انجام دهید – و با دقت تضمین شده.»
محاسبات تئوری میدان شبکه از نظر محاسباتی فشرده و وقت گیر در رایانه های سنتی هستند، و نتیجه آن چیزی است که شاناهان آن را “برنامه محاسباتی عظیم” در حوزه خود می نامد. الگوریتمهای یادگیری ماشینی محاسبات را سرعت میبخشند و آنها را امکانپذیر میسازند، اگرچه نظریهپردازان هنوز باید از ابررایانهها برای اجرای آنها استفاده کنند.
شاناهان و همکارانش اخیراً نشان داده شده یادگیری ماشینی میتواند نمونههایی را از یک توزیع احتمال زیربنایی مرتبط با نظریه میدان شبکه تولید کند – بدون استفاده از “دادههای آموزشی”.
امید این است که الگوریتمهای یادگیری ماشین به فیزیکدانانی مانند شاناهان اجازه دهند تا به طور مستقیم خواص هستههایی را محاسبه کنند که برای مطالعه با رویکردهای مرسوم، مانند آرگون یا زنون، بسیار بزرگ هستند. این کار برای آزمایشهای آینده مانند آزمایش نوترینویی زیرزمینی عمیق و جستجوهای مختلف ماده تاریک که از چنین هستههایی به عنوان هدف در دستگاه آزمایشی خود استفاده خواهند کرد، مفید خواهد بود.
همانطور که شاناهان نشان می دهد، فیزیکدانان برای استفاده از الگوریتم های یادگیری ماشین لزوماً نیازی به داده ندارند. اما اگر دادهای دارید، به خصوص اگر تعداد زیادی از آنها را داشته باشید، یادگیری ماشین ابزار بسیار قدرتمندی برای پردازش آن است.
هالورسون یادگیری ماشین را در کار تئوری ریسمان خود گنجانده است. معادلات زیربنای نظریه ریسمان راهحلهای ممکن زیادی دارند که نظریهپردازان باید آنها را مرتب کنند، “اما این عدد به قدری نجومی است که اسکن نیروی brute-force به سادگی غیرممکن است.”
به عنوان مثال، هالورسون روی مجموعه داده های نظری کار کرده است که دارای بیش از 10^755 عنصر است – بسیار بیشتر از تعداد ذرات موجود در جهان. او میگوید: «در این مجموعه دادههای عظیم، میتوانید تصور کنید که نوعی مشکل جستجو را با قوانین بازی کاملاً تعریف شده انجام میدهید. “شما به دنبال چیز خاصی هستید، اما باید محدودیت های خاصی را نیز رعایت کنید.”
بنابراین، انجام تحقیقات نظری در نظریه ریسمان می تواند شبیه به انجام بازی هایی مانند شطرنج یا Go باشد. بنابراین هالورسون و همکارانش از یک رویکرد یادگیری ماشینی به نام یادگیری تقویتی استفاده کردند که اغلب در تنظیمات بازی استفاده می شود تا الگوریتمی ایجاد کنند که می تواند یک سیستم بزرگ نجومی را بررسی کند و داده های مورد علاقه را تعیین کند.
نظریه پردازان همچنین از یادگیری ماشین برای به اصطلاح برنامه های کاربردی استفاده می کنند: جستجو برای همبستگی های پنهان در ساختارها و برای اتصالات پنهان در اطلاعات خام. برای مثال، نظریهپردازانی که با دادههای شتابدهندههای ذرات کار میکنند، با عبارات ریاضی پیچیدهای سروکار دارند که قبل از اینکه فیزیکدانان بتوانند نحوه پراکندگی ذرات را محاسبه کنند، باید ساده شوند. یادگیری ماشینی با پیشنهاد راه حل های ممکن به سرعت بخشیدن به این فرآیند کمک می کند. گرفتن گزاره ها و آزمایش آنها برای نظریه پردازان بسیار آسان تر از ارائه گزاره ها در وهله اول است.
Shih همچنین از یادگیری ماشینی برای مرتب سازی داده ها در مطالعات پدیدارشناسی خود استفاده می کند. این تلسکوپ با تلسکوپ گایا آژانس فضایی اروپا کار می کند که موقعیت و سرعت تمام ستارگان کهکشان راه شیری را فهرست می کند.
شی و همکارانش اخیراً نظریه را با دادههای گایا ترکیب کردند تا نقشهای سه بعدی از چگالی ماده تاریک در کهکشان ما ایجاد کنند. او میگوید: «همه اینها از طریق تکنیکهای نسبتاً جدید یادگیری ماشینی که پنج سال پیش در دسترس نبودند، امکانپذیر است. تا همین اواخر نمی توانستید انجام این نوع تحلیل داده ها را تصور کنید.
Shih از تکنیک یادگیری ماشینی متفاوتی به نام استنتاج مبتنی بر شبیه سازی در الف استفاده کرد مشارکت با دانشمندان NANOGrav که روی آرایه های زمانی تپ اختر کار می کنند. NANOGrav باید محاسبات را با چرخاندن ماتریس های بزرگ انجام دهد، فرآیندی که به طور سنتی حدود یک هفته طول می کشد. یادگیری ماشینی میتواند این محاسبات را با استفاده از نمونههایی از دادههای شبیهسازی شده انجام دهد، فرآیندی که تقریباً 24 ساعت طول میکشد و پایگاهدادهای ایجاد میکند که اخترفیزیکدانان میتوانند در عرض چند ثانیه از آن نمونهبرداری کنند.
برخی از پدیدارشناسان حتی از یادگیری ماشینی برای بازتعریف شیوه جستجوی فیزیکدانان برای فیزیک جدید استفاده می کنند.
به طور سنتی، یک نظریهپرداز فرضیهای ارائه میدهد، تعیین میکند که آزمایشکنندگان شواهدی مبنی بر درست بودن این فرضیه را پیدا کنند، سپس از آزمایشکنندگان میخواهد که به دنبال آن شواهد باشند. اما یادگیری ماشینی به نظریه پرداز اجازه می دهد تا یک فرضیه ارائه دهد، تعیین کند که انحراف از آن فرضیه چگونه است، سپس از یک الگوریتم برای جستجوی شواهدی مبنی بر نادرست بودن فرضیه استفاده کند.
جسی تالر، استاد فیزیک در MIT و مدیر افتتاحیه مؤسسه هوش مصنوعی و تعاملات بنیادی بنیاد ملی علوم، IAIFI، میگوید: «این موضوع بسیار بحثبرانگیز میشود، زیرا معمولاً آنچه ما در علم انجام میدهیم، آزمایش فرضیهها است: A در مقابل B». این ایده که اکنون میتوانید بگویید «بیایید به دنبال ویژگیهای غیرعادی بگردیم»، بدون اینکه در واقع دقیقاً به دنبال چه چیزی هستید، این روشی متفاوت برای انجام علم است.
مزایا و چالش ها
برای بسیاری از نظریه پردازان، یادگیری ماشین قبلاً خود را به عنوان ابزاری امیدوارکننده برای تحقیقات بیشتر ثابت کرده است. شی میگوید: «رویکردهای کلاسیک یا مرسومتر معمولاً باید دادهها را خم کنند، آنها را به ابعاد کمتری کاهش دهند یا آنها را با یک مدل بسیار ساده با تنها چند پارامتر تطبیق دهند». این البته سوگیری ها و فرضیات زیادی ایجاد می کند یا اطلاعات را در طول مسیر از دست می دهد.
با استفاده از این تکنیک های پیشرفته یادگیری ماشینی، نیازی به انجام هیچ یک از این کارها ندارید. شما می توانید از تمام داده ها با حداقل حدس و گمان استفاده کنید.
اما همانطور که تالر اشاره می کند، فیزیکدانان همچنان به ابراز نگرانی در مورد استفاده از یادگیری ماشین برای فیزیک نظری می پردازند. یک مشکل این است که برخی از الگوریتمها بدون عدم قطعیت پیشبینی میکنند. و فیزیکدانان نگران این هستند که یادگیری ماشین بیش از حد یک “جعبه سیاه” است – که بدون نشان دادن کار خود به راه حل ها می رسد.
به همین دلیل است که هالورسون و دیگران در تلاش هستند تا نشان دهند که الگوریتمهای یادگیری ماشینی میتوانند نتایج قابلتوجهی تولید کنند. هالورسون میگوید: «هم در نظریه ریسمان و هم در زمینه وسیعتر… ما نتایج قانونی دقیقتری را ایجاد میکنیم که در آزمون ریاضیات مقاومت کنند».
این تلاش به فیزیکدانان کمک می کند تا استانداردهای جدیدی را برای یادگیری ماشین تعیین کنند و نه فقط در فیزیک. تالر میگوید: «ما در فیزیک ذرات آنقدر استاندارد بالایی از معنای کشف چیزی یا معنای آنالیز دقیق داریم که به نوعی در تبدیل یادگیری ماشین پیشرو هستیم.»
“ما در حال حرکت از ابزارهای خارج از قفسه ای هستیم که ممکن است همه بهترین شیوه های فیزیک ما را در بر نگیرند به ابزارهایی که نه تنها بهترین شیوه های فیزیک را در خود جای داده اند، بلکه می توانیم آنها را به حوزه های دیگر نیز صادر کنیم.”
آینده یادگیری ماشین و نظریه
یادگیری ماشینی که هم در آزمایش و هم در تئوری استفاده میشود، خطوط بین دو اردوگاه متمایز سنتی را محو کرده است. در واقع، برخی استدلال می کنند که نوع جدیدی از فیزیکدان در حال ظهور است: فیزیکدان داده. شیح این اصطلاح را در الف ابداع کرد توده برف 2022 نشست برنامه ریزی جامعه فیزیک انرژی بالا ایالات متحده برای توصیف دانشمندان در تلاقی آزمایش، نظریه و علم داده. اگرچه عنوان فیزیکدان داده هنوز به طور معمول استفاده نمی شود، تقاضا برای فیزیکدانانی که می دانند چگونه حجم زیادی از داده ها را تجزیه و تحلیل کنند، رو به افزایش است. و یادگیری ماشین در حال حاضر عمیقاً در این نوع کار تعبیه شده است.
Shih از جذب و حفظ جوانان بیشتری که می دانند چگونه با یادگیری ماشین در فیزیک کار کنند، حمایت می کند. او می گوید: «ما در حال از دست دادن افراد زیادی در این صنعت هستیم. “ایجاد خطوط لوله قوی که استعدادها را در این زمینه نگه می دارد – که مستلزم شغل است.
“من فکر می کنم که ما در سطح فوق دکترا و قطعا در سطح کارشناسی خوب عمل می کنیم، اما باید برای اساتیدی که در این فضای بین رشته ای یادگیری ماشینی هستند – علوم داده در فیزیک و نجوم، مشاغل بیشتری ایجاد کنیم.”
نظریه پردازان می گویند آنها معتقدند که این مشاغل برای ماندن در اینجا هستند. و از اینکه یادگیری ماشین جای آنها را بگیرد نمی ترسند.
تالر اذعان میکند که یادگیری ماشین ممکن است در نهایت بتواند کاری را که فیزیکدانان نظری انجام میدهند انجام دهد، اما او میگوید این تنها زمانی اتفاق میافتد که فیزیکدانان علم خود را آنقدر عمیق درک کنند که بتوانند همه آن را برای رایانه توضیح دهند.
“تشکیل برخی از جنبههای فرآیند علمی بهصورت دقیق و الگوریتمی بهگونهای که یک کامپیوتر بتواند آن را انجام دهد – این به خودی خود یک تلاش علمی غنی است و فرصتی برای تسریع در روش انجام یافتههای علمی دارد.” او می گوید.
شی می گوید، در نهایت، نظریه پردازان یادگیری ماشینی را به عنوان یک ابزار، «مانند چکش» می بینند. “شما یک ابزار مشترک دارید و می توانید آن را در مکان های مختلف اعمال کنید.”
شاناهان، که به عنوان هماهنگ کننده تحقیقات فیزیک نظری برای IAIFI خدمت می کند، می گوید: «این فقط یک کلاس از الگوریتم ها است. مانند هر الگوریتم، امیدوارم مزیت آن این باشد که یادگیری ماشینی به شما اجازه می دهد کاری را انجام دهید که در غیر این صورت نمی توانستید انجام دهید.
اگر به خوبی استفاده شود، یادگیری ماشین می تواند زندگی فیزیکدانان را کمی آسان تر کند. حتی می تواند زمان صرف شده برای انجام محاسبات و تجزیه و تحلیل داده ها را برگرداند.
تالر میگوید: «ما مجموعه دادههای بسیار عظیمی داریم که ممکن است پدیدههای شگفتانگیزی را پنهان کنند – چه پدیدههای جدیدی که خارج از مدل استاندارد هستند، یا حتی فقط پدیدههایی در مدل استاندارد که هنوز ندیدهایم.» “اگر شما مجبور بودید یک پایان نامه دکترا را به مطالعه هر امکان کوچک اختصاص دهید، ما به سادگی نمی توانستیم با توجه به سیل داده هایی که وارد می شود، فضای وسیع احتمالات را با سرعت کافی کشف کنیم.”
او میگوید: «فقط به این دلیل که هر یک از ما در این سیاره زمان محدودی داریم و تعداد محدودی از افرادی که چشمهایشان روی دادهها است، میخواهید توانایی ما را برای کشف پدیدههای جدید به حداکثر برسانید.» به نظر می رسد همکاری با رایانه یکی از راه های انجام این کار باشد.