科学|精确人工智能——核物理与粒子物理领域的新生力量( 二 )


作为原理证明 , Shanahan及其同事使用自己的框架训练机器学习模型 , 在二维空间之上模拟理论并与现有技术进行结果比较 。 可以看到 , 其执行效率迎来了数量级层面的提升 , 同时也能根据场论做出更精确的预测 。 这一切 , 都为使用物理信息支持下的机器学习技术、大大加速对自然基本力体系的研究工作铺平了道路 。
该小组还在之前的几篇合作论文中讨论了如何将机器学习技术应用简单的晶格场论 , 并以紧凑连通歧管为基础开发出新的方法 , 可用于描述比标准模型更为复杂的场景论用例 。 现在 , 他们正努力将这项技术扩展到最新计算方案当中 。
Kanwar表示 , “通过过去一年的努力 , 我们已经证明将物理知识与机器学习技术相结合确实拥有光明的发展前景 。 我们正积极考虑如何使用这套方法实现全面模拟 , 借此解决剩余的障碍 。 希望这些方法能够在未来几年中首次在大规模计算中一展身手 。 如果能够成功克服最后的障碍 , 我们在有限资源下的工作能力将得到显著增强 , 我也迫切期待着在实际应用中探索那些超出现有最优物理理解范畴的事物 , 为其建立起前所未有的新颖见解 。 ”
该团队将这种基于物理信息的机器学习概念 , 总结为“从头算起型AI” 。 这一概念 , 也成为最近刚刚由麻省理工学院成立的美国国家科学基金会人工智能与基础交互研究所(IAIFI)设定的一大关键主题 。 而Shanahan本人在其中担任物理理论研究协调员 。


推荐阅读