Yapay Zekaya, Büyük Patlama Tanımlayan Ölçü Simetrilerini Çözmeyi Öğretebiliriz!

Küçük parçacıklara çok yüksek bir enerji verilmesi hâlinde çılgınca dönerler, karmaşık kuantum parçacıkları karmaşasında sayısız etkileşim meydana gelir ve bu, "kuark-gluon plazması" olarak bilinen bir madde durumuyla sonuçlanır. Büyük Patlama'dan hemen sonra, tüm Evren, işte bu durumdaydı. Günümüzde bu durum, örneğin CERN'de, yüksek enerjili atom çekirdeği çarpışmaları ile üretilmektedir.

Bu tür süreçleri incelemenin tek yolu, sonuçları değerlendirmesi zor olan, yüksek performanslı bilgisayarlar ve oldukça karmaşık bilgisayar simülasyonları kullanmaktır. Bu nedenle yapay zeka veya makine öğrenmesini bu amaçla kullanmak oldukça uygun bir fikir gibi görünmektedir.

Nöral Ağlar

Ancak sıradan makine öğrenimi algoritmaları bu görev için uygun değildir. Parçacık fiziğinin matematiksel özellikleri, çok özel bir sinir ağları yapısını gerektirir. Viyana'daki TU Wien'de, sinir ağlarının parçacık fiziğindeki bu zorlu görevler için nasıl başarılı bir şekilde kullanılabileceği gösterildi. TU Wien'deki Teorik Fizik Enstitüsü'nden Dr. Andreas Ipp şöyle diyor:

Bir kuark-gluon plazmasını mümkün olduğu kadar gerçekçi bir şekilde simüle etmek, son derece büyük bir hesaplama süresi gerektiriyor. Dünya'nın en büyük süperbilgisayarları bile bunda zorlanıyor.

Bu nedenle, her ayrıntıyı tam olarak hesaplamak yerine, yapay zeka yardımıyla plazmanın belirli özelliklerini tanımak ve tahmin etmek isteniyor. Bu sebeple, görüntü tanıma için kullanılanlara benzer sinir ağları kullanılıyor. Yapay "nöronlar", beyindeki nöronlara benzer şekilde bilgisayarda birbirine bağlanıyor ve bu, örneğin belirli bir resimde bir kedinin görünüp görünmediğini tanıyan bir ağ oluşturuyor.

Ancak bu tekniği kuark-gluon plazmasına uygularken ciddi bir sorun var: Parçacıkları matematiksel olarak tanımlamak için kullanılan kuantum alanları ve aralarındaki kuvvetler, tek bir şekilde değil, çok çeşitli şekillerde temsil edilebilir. Ipp şöyle diyor:

Buna, "ölçü simetrileri" deniliyor. Bunun arkasındaki temel prensip, aşina olduğumuz bir şeydir. Bir ölçüm cihazını farklı kalibre edersem, örneğin termometrem için Celsius ölçeği yerine Kelvin ölçeğini kullanırsam, aynı fiziksel durumu tanımlıyor olsam bile tamamen farklı sayılar alırım. Bu kuantum teorilerinde de böyledir - ama kuantum teorilerinde izin verilen farklılıklar, matematiksel olarak bundan çok ama çok daha karmaşıktır.

Yani sorun şu: İlk bakışta tamamen farklı görünen matematiksel nesneler, aslında aynı fiziksel durumu tanımlayabilir.

Ölçü Simetrileri, Ağın Yapısına Yerleşiktir!

Dr. David I. Müller şöye diyor:

Bu ölçü simetrilerini hesaba katmazsanız, bilgisayar simülasyonlarının sonuçlarını anlamlı bir şekilde yorumlayamazsınız. Sinir ağına bu ölçü simetrilerini kendi başına bulmayı öğretmek öğretmek oldukça zor olacaktır. Sinir ağının yapısını, ölçü simetrisinin otomatik olarak hesaba katılacağı şekilde tasarlayarak başlamak çok daha iyidir, böylece aynı fiziksel durumun farklı temsilleri de sinir ağında aynı sinyalleri üretir.

Şu anda yapmayı başardığımız şey tam olarak bu: Gösterge değişmezliğini otomatik olarak hesaba katan tamamen yeni ağ katmanları geliştirdik.

Bazı test uygulamalarında, bu ağların aslında kuark-gluon plazmasının simülasyon verileriyle nasıl başa çıkacaklarını çok daha iyi öğrenebildiği gösterilmiştir. Andreas Ipp şöyle diyor:

Bu tür sinir ağlarıyla, sistem hakkında tahminler yapmak mümkün hale geliyor. Örneğin, her bir ara adımı ayrıntılı olarak hesaplamak zorunda kalmadan, daha sonraki bir zamanda kuark-gluon plazmasının nasıl görüneceğini tahmin etmek. Aynı zamanda, sistemin yalnızca ölçü simetrisiyle çelişmeyen, en azından prensipte mantıklı sonuçlar üretmesi sağlanıyor.

CERN'deki atom çekirdek çarpışmalarını bu tür yöntemlerle tam olarak simüle etmek biraz zaman alacak, ancak yeni tür sinir ağları, diğer tüm hesaplama yöntemlerinin asla yeterince güçlü olamayacağı fiziksel olayları tanımlamak için tamamen yeni ve umut verici bir araç sağlıyor.