Un plasma di quark gluoni dopo la collisione di due nuclei pesanti. Crediti: Tu Wien
Negli ultimi anni abbiamo assistito a innumerevoli risultati astrofisici ottenuti grazie all’aiuto dell’intelligenza artificiale: dall’osservazione del Sole all’individuazione di lampi radio veloci, di lenti gravitazionali e di pianeti extrasolari, fino alla riproduzione di immagini straordinariamente realistiche dell’universo. Ma cosa succede se chiediamo all’intelligenza artificiale di venirci in aiuto per comprendere come è nato l’universo? In particolare, gli chiediamo di capire (e prevedere) ciò che è successo nei primi 20-30 microsecondi della sua esistenza, ovvero subito dopo il Big Bang, quando densità e temperatura erano elevatissime. A quell’epoca non esisteva la materia, come la conosciamo oggi. Non esisteva nemmeno la radiazione. Esisteva solo quello che prende il nome di plasma di quark e gluoni, uno stato della cromodinamica quantistica.
Quindi la domanda è: l’apprendimento automatico può essere utilizzato per svelare i segreti del plasma di quark e gluoni? Secondo un nuovo studio – firmato tra gli altri dall’italiano Matteo Favoni dell’Istituto di fisica teorica della Tu Wien (Austria) e pubblicato su Physical Review Letters – la risposta è sì, ma solo con nuovi metodi sofisticati.
Questo stato molto particolare – che può essere ricreato in laboratorio facendo collidere nuclei di atomi pesanti a energie ultrarelativistiche, come avviene al Cern di Ginevra – e i processi coinvolti, possono essere studiati solo utilizzando computer ad alte prestazioni e simulazioni altamente complesse i cui risultati sono difficili da valutare. Pertanto, l’uso dell’intelligenza artificiale o dell’apprendimento automatico sembrerebbe un’ovvia scelta. I normali algoritmi di apprendimento automatico, tuttavia, non sono adatti a questo compito. Le proprietà matematiche della fisica delle particelle richiedono una struttura molto speciale delle reti neurali. Alla Tu Wien è stato ora dimostrato che le reti neurali possono essere utilizzate con successo per questi impegnativi compiti nella fisica delle particelle.
«La simulazione di un plasma di quark e gluoni nel modo più realistico possibile richiede una quantità estremamente grande di tempo di calcolo», afferma Andreas Ipp dell’Istituto di fisica teorica della Tu Wien. «Anche i più grandi supercomputer del mondo ne risultano sopraffatti». Pertanto, sarebbe auspicabile non calcolare ogni dettaglio con precisione, ma riconoscere e prevedere determinate proprietà del plasma con l’aiuto dell’intelligenza artificiale. Per questo vengono utilizzate reti neurali, simili a quelle utilizzate per il riconoscimento delle immagini: i “neuroni” artificiali sono collegati tra loro sul computer in modo simile ai neuroni nel cervello, e questo crea una rete in grado di riconoscere, ad esempio, se in una certa immagine è visibile un gatto.
Tuttavia, quando si applica questa tecnica al plasma di quark e gluoni, si presenta un serio problema: i campi quantistici utilizzati per descrivere matematicamente le particelle e le forze tra le particelle possono essere rappresentati in vari modi. «Si parla di simmetria di gauge», afferma Ipp. «Il principio alla base è noto: se calibro un dispositivo di misurazione in modo diverso, ad esempio se per il mio termometro uso la scala Kelvin invece della scala Celsius, ottengo numeri completamente diversi, anche se sto descrivendo lo stesso stato fisico. Analogamente succede con le teorie quantistiche, tranne per il fatto che i cambiamenti consentiti sono matematicamente molto più complicati». Oggetti matematici che a prima vista sembrano completamente diversi possono infatti descrivere lo stesso stato fisico.
I quattro autori dello studio. Dall’alto a sinistra, in senso orario: Daniel Schuh, Andreas Ipp, David Müller e Matteo Favoni. Crediti: Institute for Theoretical Physics/Tu Wien
«Se non si prendono in considerazione queste simmetrie di gauge, non è possibile interpretare in modo significativo i risultati delle simulazioni al computer», afferma David I. Müller. «Insegnare a una rete neurale a capire da sola queste simmetrie di gauge sarebbe estremamente difficile. È molto meglio iniziare progettando la struttura della rete neurale in modo tale che la simmetria di gauge venga automaticamente presa in considerazione, in modo che rappresentazioni diverse dello stesso stato fisico producano anche gli stessi segnali nella rete neurale. Questo è esattamente ciò che siamo riusciti a fare ora: abbiamo sviluppato livelli di rete completamente nuovi che tengono automaticamente conto dell’invarianza di gauge».
In alcune applicazioni di test, è stato dimostrato che queste reti possono effettivamente imparare molto meglio come gestire i dati delle simulazioni del plasma di quark e gluoni. «Con tali reti neurali, diventa possibile fare previsioni sul sistema, ad esempio stimare come apparirà il plasma di quark e gluoni in un momento successivo senza dover calcolare in dettaglio ogni singolo passaggio intermedio nel tempo», conclude Andreas Ipp. «E allo stesso tempo, è garantito che il sistema produca solo risultati che non contraddicono la simmetria di gauge; in altre parole, risultati che hanno un senso, almeno in linea di principio».
Ci vorrà del tempo prima che sia possibile simulare completamente le collisioni di nuclei atomici che si stanno portando avanti al Cern con tali metodi, ma il nuovo tipo di reti neurali fornisce uno strumento completamente nuovo e promettente per descrivere fenomeni fisici per i quali tutti gli altri metodi computazionali potrebbero non arrivare mai a essere abbastanza potenti per farlo.
Per saperne di più:
- Leggi su Physical Review Letters l’articolo “Lattice Gauge Equivariant Convolutional Neural Networks” di Matteo Favoni, Andreas Ipp, David I. Müller e Daniel Schuh