Infrared Subtraction with Artificial Intelligence

在现代物理学的核心领域，研究人员通过以极高的速度让粒子相互碰撞来研究宇宙的基本构建模块。当这些碰撞发生时，它们不仅仅产生一些简单的碎片，通常还会产生向四面八方飞散的新粒子流。为了理解支配这些事件的规律，科学家必须极其精确地计算每一种可能结果的概率。然而，在这些计算中存在一个主要的障碍：当一个粒子发射出的能量过弱而无法被观测到，或者两个粒子运动方向几乎完全一致时，用于描述该事件的数学公式就会失效，并产生无穷大且无意义的数值。这些被称为红外奇异性（infrared singularities）。虽然物理定律保证了这些无穷大在最终结果中会相互抵消，但如何将它们从有意义的数据中分离出来，以获得针对特定实验的精确数值，一直是理论物理学家数十年来的一个难题。

来自北京师范大学和中国科学院的一个研究小组现在利用一种结合了人类物理洞察力与人工智能创造性解决问题能力的新方法，解决了这一问题。他们开发了一种方法，可以隔离并消除这些棘手的无穷大，而不依赖于多年来使用的传统、僵化的数学捷径。他们并没有强迫计算去适应预先存在的模式，而是使用了一个大语言模型——一种在海量文本和代码上训练过的类型的人工智能——来设计新的方法，将混乱的粒子喷射映射回其最简单的起始状态。研究人员发现，通过让人工智能设计这些映射关系，并根据已建立的粒子行为理论进行验证，他们可以高精度地重建复杂的粒子碰撞数据。这项工作表明，人工智能不仅可以加速计算，还可以帮助构建用于解决高能物理中最难问题的数学工具本身。

该团队应对的核心挑战是如何处理粒子碰撞中的“噪声”。当粒子发生碰撞时，它们会发射辐射，就像汽车发动机排放废气一样。在量子世界中，这种“废气”可能非常微弱，以至于无法与背景区分开来，或者与其它粒子高度对齐，看起来像是一个单一的流。标准计算在处理这些模糊边界时会遇到困难。多年来，物理学家一直使用一种称为“切片”（slicing）的技术，即在数据中画一条人为的线，将清晰、可测量的事件与模糊、有问题的事件分开。虽然这种方法有效，但它会引入误差，并且需要巨大的计算能力来使这条线足够细微以达到准确。研究人员想要一种更好的方法：一种能够同时处理整个粒子发射范围的方法，而无需画出人为的界限，同时仍能抵消数学上的无穷大。

为了实现这一目标，团队构建了一个将计算分为两部分的框架。第一部分处理实际发射的辐射，第二部分处理“接触项”（contact term），它代表了在最简单水平下碰撞产生的有限且清晰的贡献。其核心创新在于使用人工智能代理来设计规则，规定如何将复杂的多粒子末态投影回简单的二粒子初态。在实验的一个版本中，人工智能使用神经网络（一种模仿人类大脑的计算机程序）来学习如何将混乱的粒子喷流映射到干净的起始点。在另一个版本中，人工智能生成了一套严格的、分步骤的数学配方来实现同样的目标。在这两种情况下，人类研究人员提供了物理定律和约束条件，告诉人工智能什么是可能的，什么是禁止的，而人工智能则负责找出到达那里的具体步骤。

团队通过模拟电子-正电子碰撞来测试他们的新方法，这是粒子物理学中的一个标准过程，即电子与其反物质对应物湮灭产生粒子喷流。他们重点关注产生了三个或四个喷流的情景，这比简单的两个喷流的情景要复杂得多。结果令人瞩目。人工智能设计的方案成功重建了这些碰撞的完整理论预测，与现有的最先进的模拟工具的结果高度吻合。研究人员发现，人工智能可以通过将数据拟合到已知的理论模式，或者通过使用一种不需要人为切片线的新的局部公式直接计算，来确定必要的“接触项”（即抵消无穷大所需的数学修正）。这种直接计算使他们能够复用现有的低阶计算，并将其与先进的理论预测相结合，从而得到最终答案。

或许最令人惊讶的是，该团队在使用非常适度的计算资源的情况下实现了这些结果。整个数值计算和神经网络的训练都是在一台 2020 年款 Apple MacBook（一台标准的笔记本电脑）的中央处理器上完成的，没有使用任何专门的图形卡或超级计算机。这表明，该新方法不仅准确，而且效率足以在本地机器上运行，这可能使高精度物理计算的使用变得更加大众化。研究人员还将他们的工作扩展到了更复杂的场景，包括更高精度的两喷流碰撞，其中他们利用机器学习来减少结果中的统计噪声。通过训练人工智能识别数据中的模式并将其减去，他们稳定了计算，使最终数值更加可靠。

这项工作的意义不仅在于为特定实验获得一个更好的数值。它代表了理论物理研究方式的一种转变。几十年来，构建用于抵消无穷大的数学工具需要巨大的精力和深邃的分析洞察力，对于一种新型碰撞，往往需要数年时间才能开发出来。这项研究表明，人工智能可以辅助这些工具的创造过程。人工智能不仅仅是在处理数字，它还设计了减法方法的结构本身，提出了人类研究人员可能未曾考虑过的、关于如何映射粒子和计算修正的新方法。研究人员验证了他们由人工智能生成的映射图遵循了所有必要的物理定律，例如能量和动量守恒，并且正确处理了粒子变得难以区分的微妙极限情况。

尽管这项研究是一个概念验证，但它开辟了一条清晰的前行路径。研究人员证明了他们的方法在标准精度下的三喷流和四喷流场景，以及更高精度下的两喷流场景中均有效。他们还概述了如何将该方法扩展到涉及更高精度下三喷流碰撞的更复杂场景，并为未来的工作提供了必要的数学映射和公式。该方法的成功依赖于人类直觉与机器学习的伙伴关系。人类定义物理边界和目标，确保人工智能在自然法则之内运行；而人工智能则探索广阔的可能数学解空间，以找到最高效的路径。这种协作允许复用现有的计算并整合先进的理论预测，从而创建一个更稳健、更灵活的框架。

研究结果表明，未来精密物理学的流程可能会演变为一种人工智能充当理论工具构建“副驾驶”的新型工作流。通过自动化设计减法公式并改进复杂数据的数值积分，人工智能可以帮助物理学家突破可计算性的边界。能够在笔记本电脑上运行这些复杂计算的能力，意味着进入高精度研究领域的门槛可能会降低，从而让更多研究人员能够应对难题。随着领域向更高精度水平迈进（届时计算难度将呈指数级增长），自动构建这些减法方法的能力可能会变得至关重要。研究人员已经证明，在正确的引导下，人工智能不仅可以求解方程，还可以帮助发明求解这些方程所需的方法，从而将一个数十年的瓶颈转化为探索旅程中一个可控的步骤。