Non potrebbe essere più complicato: minuscole particelle girano selvaggiamente con un'energia estremamente elevata, innumerevoli interazioni si verificano nel groviglio di particelle quantistiche, e questo si traduce in uno stato della materia noto come "plasma di quark-gluoni". Subito dopo il Big Bang, l'intero universo era in questo stato; oggi è prodotto da collisioni di nuclei atomici ad alta energia, ad esempio al CERN.
Tali processi possono essere studiati solo utilizzando computer ad alte prestazioni e simulazioni al computer altamente complesse i cui risultati sono difficili da valutare. Pertanto, l'utilizzo dell'intelligenza artificiale o dell'apprendimento automatico per questo scopo sembra un'idea ovvia. I normali algoritmi di apprendimento automatico, tuttavia, non sono adatti a questo compito. Le proprietà matematiche della fisica delle particelle richiedono una struttura molto speciale delle reti neurali. Alla TU Wien (Vienna), è stato ora dimostrato come le reti neurali possono essere utilizzate con successo per questi compiti impegnativi nella fisica delle particelle.
"Simulare un plasma di quark-gluoni nel modo più realistico possibile richiede una quantità estremamente grande di tempo di calcolo", afferma il Dr. Andreas Ipp dell'Istituto di Fisica Teorica della TU Wien. "Anche i più grandi supercomputer del mondo sono sopraffatti da questo." Sarebbe quindi auspicabile non calcolare con precisione ogni dettaglio, ma riconoscere e prevedere determinate proprietà del plasma con l'aiuto dell'intelligenza artificiale.
Pertanto, vengono utilizzate reti neurali, simili a quelle utilizzate per il riconoscimento delle immagini: i "neuroni" artificiali sono collegati tra loro sul computer in modo simile ai neuroni nel cervello e questo crea una rete in grado di riconoscere, ad esempio, se un gatto è visibile o meno in una certa immagine.
Quando si applica questa tecnica al plasma quark-gluoni, tuttavia, c'è un problema serio: i campi quantistici utilizzati per descrivere matematicamente le particelle e le forze tra esse, possono essere rappresentate in vari modi diversi. "Questo è indicato come simmetrie di gauge", ha spiegato Ipp. "Il principio alla base di coò è qualcosa con cui abbiamo familiarità: se calibro un dispositivo di misurazione in modo diverso, ad esempio, se uso la scala Kelvin invece della scala Celsius per il mio termometro, ottengo numeri completamente diversi, anche se sto descrivendo lo stesso stato fisico. È un po' come con le teorie quantistiche, tranne per il fatto che lì i cambiamenti consentiti sono matematicamente molto più complicati". Oggetti matematici che sembrano completamente diversi a prima vista, possono infatti descrivere lo stesso stato fisico.
"Se non si prendono in considerazione queste simmetrie di gauge, non è possibile interpretare in modo significativo i risultati delle simulazioni al computer", ha affermato il Dr. David I. Müller. "Insegnare a una rete neurale a capire queste simmetrie di gauge da sola sarebbe estremamente difficile. È molto meglio iniziare progettando la struttura della rete neurale in modo tale che la simmetria di gauge sia automaticamente presa in considerazione, in modo che diverse rappresentazioni dello stesso stato fisico producano anche gli stessi segnali nella rete neurale", ha affermato Müller. "Questo è esattamente ciò che ora siamo riusciti a fare: abbiamo sviluppato livelli di rete completamente nuovi che tengono automaticamente conto dell'invarianza del misuratore". In alcune applicazioni di test, è stato dimostrato che queste reti possono effettivamente imparare molto meglio come gestire i dati di simulazione del plasma di quark-gluoni.
"Con tali reti neurali, diventa possibile fare previsioni sul sistema, ad esempio stimare come sarà il plasma di quark-gluoni in un secondo momento senza dover calcolare in dettaglio ogni singolo passaggio intermedio nel tempo", ha spiegato Andreas Ipp. "E allo stesso tempo, è garantito che il sistema produca solo risultati che non contraddicono la simmetria di gauge in altre parole, risultati che hanno senso almeno in linea di principio".
Ci vorrà del tempo prima che sia possibile simulare completamente le collisioni del nucleo atomico al CERN con tali metodi, ma il nuovo tipo di reti neurali fornisce uno strumento completamente nuovo e promettente per descrivere fenomeni fisici per i quali tutti gli altri metodi computazionali potrebbero non essere mai abbastanza potenti.