Infrared Subtraction with Artificial Intelligence

現代物理学の核心において、研究者たちは粒子を驚異的な速度で衝突させることで、宇宙の基本構成要素を研究しています。これらの衝突が起こると、単に少数の単純な破片が生じるだけでなく、あらゆる方向に飛び散る新しい粒子のシャワーが発生することがよくあります。これらのイベントを支配する法則を理解するために、科学者たちはあらゆる可能な結果の確率を極めて精密に計算しなければなりません。しかし、これらの計算には大きな障害が存在します。粒子が目に見えないほど微かなエネルギーの放出を行った場合や、2つの粒子がほぼ全く同じ方向に移動する場合、その事象を記述するために使用される数学的公式は崩壊し、無限大の無意味な数値を生み出してしまいます。これらは赤外特異点として知られています。物理法則は、最終的な結果においてこれらの無限大が互いに打ち消し合うことを保証していますが、特定の実験のための精密な数値を得るために、これらを意味のあるデータから分離することは、理論物理学者にとって数十年来の苦闘となってきました。

北京師範大学と中国科学院の研究チームは、人間の物理学的洞察力と人工知能の創造的な問題解決能力を融合させた新しいアプローチを用いて、この問題に取り組みました。彼らは、長年使用されてきた従来の硬直した数学的ショートカットに頼ることなく、これらの厄介な無限大を分離して除去する方法を開発しました。計算を既存の型に無理やり当てはめるのではなく、彼らは大規模言語モデル（膨大な量のテキストやコードで学習された一種の人工知能）を使用して、粒子の混沌とした飛散を最も単純な出発点へとマッピングする新しい方法を設計しました。研究者たちは、AIにこれらのマップを考案させ、それを粒子の振る舞いに関する確立された理論に照らして検証させることで、複雑な粒子衝突データを高い精度で再構成できることを見出しました。この研究は、人工知能が計算を加速させるだけでなく、高エネルギー物理学における最も困難な問題の一つを解決するために必要な数学的ツールそのものの構築を支援できることを示しています。

チームが取り組んだ核心的な課題は、粒子衝突の「ノイズ」をどのように扱うかという点です。粒子が衝突すると、自動車のエンジンが排気ガスを出すように、放射を放出します。量子力学の世界では、この排気ガスは背景（バックグラウンド）と区別できないほど微かであったり、他の粒子とあまりに一致しているために単一の流れのように見えたりすることがあります。標準的な計算では、これらの曖昧な境界線の扱いに苦慮します。長年、物理学者は「スライシング」と呼ばれる手法を用いてきましたが、これは明確に測定可能なイベントと、曖昧で問題のあるイベントを分離するために、データの中に恣意的な線を引くものです。これは機能しますが、独自の誤差を生じさせ、正確にするためにその線を十分に細くするには膨大な計算能力を必要とします。研究者たちはより良い方法、つまり、恣意的な線を引くことなく、一度に全範囲の粒子放出を扱える方法を求めていました。

これを達成するために、チームは計算を2つの部分に分けるフレームワークを構築しました。第一の部分は実際に放出される放射を扱い、第二の部分は「コンタクト」項、すなわち最も単純なレベルにおける衝突の有限でクリーンな寄与を扱います。鍵となる革新は、複雑な多粒子最終状態を単純な二粒子出発状態へと投影するためのルールを設計するために、人工知能エージェントを使用したことです。彼らの実験の一つのバージョンでは、AIは人間の脳をモデルにしたコンピュータプログラムであるニューラルネットワークを使用して、混沌とした粒子の飛散をクリーンな出発点へとマッピングする方法を学習しました。別のバージョンでは、AIは同じことを行うための厳格でステップバイステップの数学的レシピを生成しました。どちらの場合も、人間の研究者が物理法則と制約を提供し、何が可能で何が禁止されているかをAIに伝え、一方でAIはそこに到達するための具体的な手順を編み出しました。

チームは、電子とその反物質の対消滅によって粒子のジェットが生成される、粒子物理学における標準的なプロセスである電子・陽電子衝突をシミュレーションすることで、この新手法をテストしました。彼らは、単純な二ジェットのケースよりも大幅に複雑な、三つまたは四つのジェットの粒子が生成されるシナリオに焦点を当てました。結果は驚くべきものでした。AIが設計した手法は、これらの衝突に関する完全な理論的予測を再構成することに成功し、既存の最も洗練されたシミュレーションツールと高い精度で一致しました。研究者たちは、既知の理論的パターンにデータを適合させるか、あるいは恣意的なスライシング線を必要としない新しい局所的な公式を用いて直接計算することにより、AIが必要な「コンタクト」項（無限大を打ち消すために必要な数学的補正）を決定できることを見出しました。この直接計算により、既存の低次計算を再利用し、それらを高度な理論的予測と組み合わせて最終的な答えを得ることが可能になりました。

おそらく最も驚くべきことに、チームは非常に控えめなコンピューティングリソースを使用してこれらの結果を達成しました。数値計算全体とニューラルネットワークのトレーニングは、専用のグラフィックスカードやスーパーコンピュータを使用せず、2020年モデルのApple MacBookという標準的なノートパソコンの中央演算処理装置（CPU）上で行われました。これは、この新手法が正確であるだけでなく、ローカルマシンで実行できるほど効率的であり、高精度な物理計算へのアクセスを民主化する可能性があることを示唆しています。研究者たちはさらに、機械学習を使用して結果の統計的ノイズを低減させることで、より複雑なシナリオ（より高い精度レベルでの二ジェット衝突を含む）へと研究を拡張しました。データ内のパターンを認識してそれを差し引くようAIを訓練することで、彼らは計算を安定させ、最終的な数値をより信頼できるものにしました。

この研究の意義は、単にある特定の実験に対してより良い数値を得ることにとどまりません。それは、理論物理学のあり方の転換を意味しています。数十年にわたり、無限大を打ち消すために必要な数学的ツールの構築には、膨大な人間の努力と深い分析的洞察力が必要であり、新しいタイプの衝突に対して開発するのに数年を要することも珍しくありませんでした。この研究は、人工知能がこれらのツールの構築という創造的なプロセスを支援できることを示しています。AIは単に数字を計算しただけではありません。AIは減算法の構造そのものを考案し、人間が考えもしなかったような粒子をマッピングし、補正を計算する方法を提案しました。研究者たちは、AIが生成したマップが、エネルギーや運動量の保存といった必要な物理法則を遵守していること、そして粒子が区別できなくなるトリッキーな極限を正しく扱っていることを検証しました。

本研究は概念実証ではありますが、明確な道筋を示しています。研究者たちは、このアプローチが標準的な精度レベルでの三および四つのジェット、およびさらに高い精度レベルでの二つのジェットに対して有効であることを実証しました。また、より高い精度レベルでの三つのジェットを含む、さらに複雑な衝突へとこの手法をどのように拡張できるかについても概説し、将来の研究に必要な数学的マップと公式を提供しました。この手法の成功は、人間の直感と機械学習のパートナーシップに基づいています。人間が物理的な境界と目標を定義してAIが自然の法則の中に留まるように制御し、一方でAIが最も効率的な経路を見つけるために膨大な数学的解の空間を探索します。このコラボレーションにより、既存の計算の再利用と高度な理論的予測の統合が可能になり、より堅牢で柔軟なフレームワークが構築されます。

これらの知見は、精密物理学の未来が、人工知能が理論的ツールの構築における副操縦士（コパイロット）として機能する、新しい種類のワークフローを伴う可能性があることを示唆しています。減算公式の設計を自動化し、複雑なデータの数値積分を改善することで、AIは物理学者が計算の限界を押し広げるのを助けることができます。これらの洗練された計算を実行できることが一般的なノートパソコンで可能であることは、高精度な研究への参入障壁を下げ、より多くの研究者が困難な問題に取り組めるようにすることを意味します。計算が指数関数的に難しくなる、より高い精度レベルへと分野が進むにつれ、これらの減算手法を自動的に構築する能力は不可欠となるでしょう。研究者たちは、適切なガイダンスがあれば、人工知能は単に方程式を解くだけでなく、それらを解くために必要な手法自体を発明する手助けもできることを示し、数十年来のボトルネックを、発見への道のりにおける管理可能なステップへと変えてみせたのです。