Infrared Subtraction with Artificial Intelligence

In het hart van de moderne natuurkunde bestuderen onderzoekers de fundamentele bouwstenen van het universum door deeltjes met ongelooflijke snelheden op elkaar te laten botsen. Wanneer deze botsingen plaatsvinden, produceren ze niet alleen een paar eenvoudige fragmenten; ze laten vaak een wolk van nieuwe deeltjes ontstaan die in alle richtingen wegvliegen. Om de wetten die deze gebeurtenissen beheersen te begrijpen, moeten wetenschappers de waarschijnlijkheid van elke mogelijke uitkomst met extreme precisie berekenen. Er bestaat echter een grote hindernis bij deze berekeningen: wanneer een deeltje een energiepuls uitzendt die te zwak is om gezien te worden, of wanneer twee deeltjes bijna exact dezelfde richting op bewegen, breken de wiskundige formules die de gebeurtenis beschrijven af en produceren ze oneindige, zinloze getallen. Dit staat bekend als infrarood singulariteiten. Hoewel de wetten van de natuurkunde garanderen dat deze oneindigheden elkaar in het eindresultaat opheffen, is het scheiden van deze oneindigheden van de betekenisvolle data om een precies getal voor een specifiek experiment te verkrijgen, een decennialange strijd geweest voor theoretisch fysici.

Een team onderzoekers van de Beijing Normal University en de Chinese Academy of Sciences heeft dit probleem nu aangepakt met een nieuwe aanpak die menselijk fysiek inzicht combineert met het creatieve probleemoplossend vermogen van kunstmatige intelligentie. Ze ontwikkelden een methode om deze problematische oneindigheden te isoleren en te verwijderen zonder te vertrouwen op de traditionele, rigide wiskundige afkortingen die al jarenlang worden gebruikt. In plaats van de berekening in een vooraf bestaand model te dwingen, gebruikten ze een groot taalmodel — een type kunstmatige intelligentie dat getraind is op enorme hoeveelheden tekst en code — om nieuwe manieren te ontwerpen om de chaotische sproeier van deeltjes terug te mappen naar hun eenvoudigste startpunt. De onderzoekers ontdekten dat door de AI deze kaarten te laten ontwerpen en ze vervolgens te verifiëren tegen gevestigde theorieën over deeltjesgedrag, ze complexe deeltjesbotsingsdata met hoge nauwkeurigheid konden reconstrueren. Dit werk toont aan dat kunstmatige intelligentie niet alleen berekeningen kan versnellen, maar ook kan helpen bij het construeren van de wiskundige instrumenten die nodig zijn om sommige van de moeilijkste problemen in de hogereletriciteitsfysica op te lossen.

De kernuitdaging die het team aanpakte, is hoe om te gaan met de "ruis" van deeltjesbotsingen. Wanneer deeltjes botsen, zenden ze straling uit, vergelijkbaar met hoe een automotor uitlaatgassen uitstoot. In de kwantumwereld kan deze uitlaat zo zwak zijn dat het onmogelijk is om deze te onderscheiden van de achtergrond, of zo uitgelijnd met andere deeltjes dat ze als één enkele stroom verschijnen. Standaardberekeningen hebben moeite met deze vage grenzen. Jarenlang hebben natuurkundigen een techniek gebruikt die "slicing" (het snijden) wordt genoemd, waarbij een willekeurige lijn in de data wordt getrokken om de duidelijke, meetbare gebeurtenissen te scheiden van de vage, problematische gebeurtenissen. Hoewel dit werkt, introduceert het eigen fouten en vereist het enorme rekenkracht om de lijn dun genoeg te maken voor nauwkeurigheid. De onderzoekers wilden een betere manier: een methode die het hele bereik van deeltjesemissies tegelijkertijd kan afhandelen, zonder een willekeurige lijn te trekken, terwijl de wiskundige oneindigheden nog steeds worden geëlimineerd.

Om dit te bereiken, bouwde het team een raamwerk dat de berekening in twee delen splitst. Het eerste deel gaat over de straling die daadwerkelijk wordt uitgezonden, en het tweede deel gaat over de "contactterm", die de eindige, zuivere bijdrage van de botsing op het eenvoudigste niveau vertegenwoordigt. De belangrijkste innovatie was het gebruik van een kunstmatige intelligentie-agent om de regels te ontwerpen voor hoe de complexe, multi-deeltjes eindtoestand terug te projecteren op de eenvoudige, twee-deeltjes begintoestand. In één versie van hun experiment gebruikte de AI een neuraal netwerk — een type computerprogramma gemodelleerd naar het menselijk brein — om te leren hoe de chaotische deeltjessproeier naar een schoon startpunt te mappen. In een andere versie genereerde de AI een strikt, stapsgewijs wiskundig recept om hetzelfde te doen. In beide gevallen leverden de menselijke onderzoekers de natuurkundige wetten en beperkingen aan, door de AI te vertellen wat mogelijk en wat verboden was, terwijl de AI de specifieke stappen bedacht om daar te komen.

Het team testte hun nieuwe methode door elektron-positron-botsingen te simuleren, een standaardproces in de deeltjesfysica waarbij een elektron en zijn antimaterie-tegenhanger elkaar vernietigen om jets van deeltjes te produceren. Ze concentreerden zich op scenario's waar drie of vier jets van deeltjes werden geproduceerd, wat aanzienlijk complexer is dan de simpelere twee-jetsgevallen. De resultaten waren opmerkelijk. De door AI ontworpen methoden slaagden erin de volledige theoretische voorspellingen voor deze botsingen te reconstrueren, waarbij ze de resultaten van de meest geavanceerde bestaande simulatietools met hoge precisie maten. De onderzoekers ontdekten dat de AI de noodzakelijke "contacttermen" — de wiskundige correcties die nodig zijn om de oneindigheden op te heffen — kon bepalen door de data aan bekende theoretische patronen aan te passen of door ze direct te berekenen met een nieuwe, lokale formule die geen willekeurige slicing-lijn vereiste. Deze directe berekening stelde hen in staat om bestaande lagere-orde berekeningen te hergebruiken en te combineren met geavanceerde theoretische voorspellingen om het definitieve antwoord te krijgen.

Misschien wel het meest verrassende is dat het team deze resultaten behaalde met zeer bescheiden computerbronnen. De volledige numerieke berekening en de training van het neurale netwerk werden uitgevoerd op de centrale verwerkingseenheid van een 2020 Apple MacBook, een standaard laptop, zonder speciale grafische kaarten of supercomputers. Dit suggereert dat de nieuwe methode niet alleen accuraat is, maar ook efficiënt genoeg om op lokale machines te draaien, wat de toegang tot hoogwaardige natuurkundige berekeningen potentieel democratiseert. De onderzoekers breidden hun werk ook uit naar nog complexere scenario's, inclus# een twee-jets botsing op een hoger precisieniveau, waarbij ze machine learning gebruikten om de statistische ruis in de resultaten te verminderen. Door de AI te trainen om patronen in de data te herkennen en deze eruit te filteren, stabiliseerden ze de berekening, waardoor de uiteindelijke getallen betrouwbaarder werden.

De implicaties van dit werk gaan verder dan alleen het verkrijgen van een beter getal voor een specifiek experiment. Het vertegenwoordigt een verschuiving in hoe de theoretische natuurkunde wordt bedreven. Decennialang vereiste de constructie van de wiskundige instrumenten die nodig zijn om oneindigheden op te heffen, enorme menselijke inspanning en diep analytisch inzicht, wat vaak jaren duurde om te ontwikkelen voor een nieuw type botsing. Deze studie laat zien dat kunstmatige intelligentie kan assisteren bij het creatieve proces van het bouwen van deze instrumenten. De AI deed niet alleen aan nummerwerk; de AI bedacht de structuur van de aftrekmethode zelf, waarbij nieuwe manieren werd voorgesteld om deeltjes te mappen en correcties te berekenen die menselijke onderzoekers misschien niet voor ogen hadden. De onderzoekers verifieerden dat hun door AI gegenereerde kaarten alle noodzakelijke natuurkundige wetten respecteerden, zoals de behoud van energie en impuls, en dat ze de lastige limieten correct afhandelden waar deeltjes ononderscheidbaar worden.

Hoewel de studie een bewijs van concept is, opent het een duidelijk pad voorwaarts. De onderzoekers hebben aangetoond dat hun aanpak werkt voor drie en vier jets op een standaard niveau van precisie en voor twee jets op een nog hoger niveau. Ze hebben ook geschetst hoe de methode kan worden uitgebreid naar nog complexere botsingen met drie jets op dat hogere precisieniveau, waarbij ze de noodzakelijke wiskundige kaarten en formules voor toekomstig werk hebben geleverd. Het succes van de methode berust op een partnerschap tussen menselijke intuïtie en machine learning. Mensen definiëren de fysieke grenzen en de doelen, waardoor zij garanderen dat de AI binnen de wetten van de natuur blijft, terwijl de AI de enorme ruimte van mogelijke wiskundige oplossingen verkent om de meest efficiënte weg te vinden. Deze samenwerking maakt het mogelijk om bestaande berekeningen te hergebruiken en geavanceerde theoretische voorspellingen te integreren, wat een robuuster en flexibeler kader creëert voor toekomstige ontdekkingen.

De bevindingen suggeren dat de toekomst van de precisienatuurkunde een nieuw soort workflow kan inhouden waarbij kunstmatige intelligentie fungeert als een co-piloot bij de constructie van theoretische instrumenten. Door het automatiseren van het ontwerp van aftrekformules en het verbeteren van de numerieke integratie van complexe data, kan AI natuurkundigen helpen de grenzen van wat berekend kan worden te verleggen. Het vermogen om deze geavanceerde berekeningen op een laptop uit te voeren, geeft aan dat de drempel voor hoogwaardig werk verlaagd kan worden, waardoor meer onderzoekers complexe problemen kunnen aanpakken. Naarmate het veld beweegt naar nog hogere niveaus van precisie, waarbij de berekeningen exponentieel moeilijker worden, kan het vermogen om deze aftrekmethoden automatisch te construeren essentieel worden. De onderzoekers hebben aangetoond dat met de juiste begeleiding kunstmatige intelligentie niet alleen vergelijkingen kan oplossen, maar ook kan helpen bij het uitvinden van de methoden die nodig zijn om ze op te lossen, waardoor een decennialange bottleneck verandert in een beheersbare stap in de reis van ontdekking.