Nuclear-physics-guided Gaussian Processes

宇宙は、微小で相互作用する粒子という基礎の上に築かれており、それらがどのように振る舞うかを理解するには、単に観察するだけでなく、まだ見ぬ場所で何が起こるかを予測できるモデルを構築する必要があります。核物理学において、科学者たちは原子核を結合させている力や、恒星の内部に存在する物質を研究しています。これらのモデルは、太陽を動かしているエネルギーから、宇宙の衝突の中で形成された重元素に至るまで、あらゆる事象を説明するために不可欠です。しかし、これらのモデルを検証するための利用可能なデータは、しばしば乏しく、ノイズが多く、あるいは特定の条件下に限定されています。科学者が既知のデータポイント間の空白を埋めようとする際、彼らは困難な選択を迫られます。単純な推測を信じるか、あるいはノイズに過学習してしまう可能性のある複雑な数学的ツールに頼るかという選択です。数十年にわたり、ガウス過程回帰と呼ばれる強力な統計的手法が、これらの予測を行うために使用されてきました。この手法は、単なる最善の推測だけでなく、その推測がどの程度不確実であるかという明確な指標をも提供します。伝統的に、これらのモデルは「アグノスティック（無知）」、つまり基礎となる物理学に関する仮定を持たず、提供されたデータから純粋にパターンを学習することを意味していました。しかし、このアプローチはデータが乏しい場合に苦戦することがあり、未知の領域において突拍子もない推測を生み出すことがよくあります。

バルセロナの研究チームは、これらの統計的ツールが、実際の物理法則によって導かれるとき、はるかに優れた働きをすることを実証しました。既知の理論的構造を数学的枠組みの中に直接組み込むことで、モデルが著しく正確かつ信頼性の高いものになることを彼らは示しました。研究者たちはこの新しいアプローチを、核科学における3つの異なる課題、すなわち陽子と中性子の散乱、原子核の精密な質量、そして高温下にある恒星内部の緻密な物質の挙動に適用しました。あらゆるケースにおいて、物理学に基づいたモデルは、従来の仮定のないバージョンを凌駕しました。彼らは単に正しい数値を予測しただけでなく、特に既存のデータの範囲を大きく超えた領域を予測しようとする際に、より厳密で信頼できる不確実性の推定値を提供しました。これは、科学における人工知能の最も効果的な使い方は、ゼロから学習させることではなく、まず宇宙の根本的なルールを教え込み、その上で微妙な詳細に集中させることであるということを示唆しています。

最初のテストケースは、原子核を構成する粒子である核子の散乱に関するものでした。陽子と中性子が衝突するとき、それらはエネルギーに応じて特定の角度で互いに跳ね返ります。科学者は多くのエネルギーレベルについてこれらの角度を測定していますが、すべてが測定されているわけではなく、測定値には実験誤差も伴います。研究者たちは、この手法を用いて、測定された点の間にある欠落した角度を補完しました。彼らは、関与する力について何も知らない標準的なモデルと、粒子間の相互作用に関する特定の物理理論を取り入れたモデルを比較しました。結果は驚くべきものでした。長距離力の物理学、具体的にはパイ中間子の交換を含む既知の物理学を取り入れたモデルは、標準的なモデルよりもはるかに高い精度で欠落した角度を予測しました。場合によっては、誤差が10倍、あるいは100倍も減少しました。ガイダンスを欠いた標準モデルは、データポイント間で激しく振動し、ギザギザで非現実的な経路を描く傾向がありました。しかし、物理学に導かれたモデルは、自然界の期待される滑らかな傾向に従い、全エネルギースペクトルにわたって粒子がどのように振る舞うかについて、より鮮明な姿を示しました。

次に、チームは原子核の質量へと関心を移しました。原子の質量は、恒星内や核反応における挙動を決定する基本的な性質です。科学者は数千の原子の質量を測定していますが、実験室で測定するには不安定すぎたり希少すぎたりする原子も多く存在します。これらの質量を予測することは、宇宙で元素がどのように生成されるかを理解する上で極めて重要です。研究者たちは、液滴モデルの概念に基づく、核の質量の一般的な傾向を記述する古典的でよく知られた公式を、モデルの出発点として使用しました。そして、統計的ツールが、陽子と中性子の特定の配置から生じる、この一般的な傾向からの小さく複雑な偏差を学習できるようにしました。このアプローチをテストしたところ、既知の未測定原子の質量を、約190 keVという非常に小さな誤差範囲で予測できることがわかりました。より重要なことに、一度も目撃されたことのない極めてエキゾチックな原子の質量を予測しようとした際も、物理学に導かれたモデルは信頼性を維持しました。対照的に、標準的な仮定のないモデルは、既知のデータから離れるにつれて現実から逸脱し始め、長期的な正しい傾向を捉えることに失敗しました。基本的な物理公式の組み込みは、最も極端な条件下においても予測を現実に繋ぎ止めるセーフティネットとして機能しました。

最後にして最も複雑な応用は、中性星内部に見られるような押しつぶされるような圧力の下での物質の振る舞いを記述する、状態方程式に関するものでした。これは、密度、温度、および陽子と中性の比率を含む3次元の問題です。科学者たちは、恒星がどのように崩壊し、合体するかを理解するためにこの情報を必要としていますが、あらゆる条件に対してこれらを計算することは計算コストが非常に高くなります。研究者たちは、これらの重い計算の高速な代用品、すなわちエミュレータとして機能するモデルを構築しました。熱と密度の相互作用に関する既知の物理学をモデルの出発点にエンコードすることで、物質の圧力とエントロピーを高精度に予測できることを見出しました。重要な発見は、トレーニングデータの範囲外でモデルがどのように振る舞うかを調べたときに得られました。標準的なモデルでは、既知のデータポイントを外れると、予測される圧力は平坦化し、非現実的なものになります。しかし、物理学に導かれたモデルは、圧力が上昇し続けることを正しく反映して滑らかに上昇し続けました。これは、モデルが「密度が増加すれば圧力も増加する」という知識をあらかじめ備えた基盤の上に構築されていたためであり、標準的なモデルにはそのような知識がなく、単に推測を止めてしまったためです。

これらの実験の成功は、科学的モデリングへのアプローチにおける根本的な転換を浮き彫りにしています。研究者たちは、信頼できる予測の鍵は、単により多くのデータやより複雑なアルゴリズムを持つことではなく、むしろ適切な出発点の仮定を選ぶことにあることを示しました。物理モデルを使用してベースラインを設定することで、統計的ツールは、単純なモデルが見落としている微細で複雑な詳細に集中できるようになります。このアプローチはすべてのテストにおいて優れていることが証明され、より高い精度、そしておそらくより重要なことに、より誠実な不確実性の評価を提供しました。モデルが自信を持っているときは、可能性の範囲を狭く示し、確信が持てないときは、その範囲が自然に広がります。これは、科学者にとって、単に答えが何かを知るだけでなく、その答えをどの程度信頼できるかを知ることが不可なるために極めて重要です。この研究は、科学計算の未来が、人間による直感と機械学習のパートナーシップにあることを示唆しています。そこでは、機械は盲目的に彷徨うのではなく、未知の領域の探索を導くための、既知の領域の地図を与えられるのです。