麻省理工学院的研究人员最近已经证明，利用人工智能来模拟粒子和核物理理论的各个方面可以产生更快的算法，因此在理论物理中也可以更快地发现它。麻省理工学院的研究团队将理论物理与人工智能模型结合起来，以加速模拟中子、质子和原子之间相互作用的样本的产生。

宇宙中有四种基本力：重力、电磁力、弱力和强度。强、弱和电磁力是用粒子物理学研究的。传统的研究粒子相互作用的方法需要数值模拟粒子之间的相互作用，这种相互作用通常发生在质子大小为 1≤10 或 1≤100 的情况下。由于计算能力有限，这些研究可能需要很长时间才能完成，许多问题物理学家在理论上知道如何解决这些问题，但他们无法解决这些计算限制。

麻省理工学院（MIT) 物理学教授 PhialaShanahan 是该研究小组的负责人，该研究团队使用机器学习模型来创建新的算法，以加速粒子物理学的研究。物理理论中发现的对称性（物理系统在条件变化时保持不变的特性）可以集成到机器学习算法中，从而产生一种更适合研究粒子物理的算法。沙纳汉解释说，机器学习模型不是用来处理大量数据，而是集成粒子对称性，而在模型中包含这些属性意味着计算可以更快地完成。

这个由 Shanahan 领导的研究项目包括纽约大学理论物理小组的几名成员，以及来自 Google 深度学习的机器学习研究人员。最近的研究只是一系列正在进行和最近完成的研究之一，目的是利用机器学习的力量来解决现代计算模型无法解决的理论物理问题。麻省理工学院的研究生 GurtejKanwar 说，机器学习增强算法试图解决的问题将帮助科学家更多地了解粒子物理，这对于比较大型粒子物理实验的结果非常有用，比如欧洲核研究所大型强子对撞机上的实验。通过将大规模实验的结果与人工智能算法进行比较，科学家们可以更好地理解他们的物理模型应该如何受到约束，以及它们何时崩溃。

目前，科学家们能够可靠地研究粒子物理标准模型的唯一方法是在真空中采样 / 快照波动。研究人员可以更多地了解粒子的特性以及粒子碰撞时会发生什么。然而，这样的采样成本很高，人工智能技术有望使采样成本更低、效率更高。在真空中拍摄的照片可以与计算机视觉人工智能模型中的图像训练数据一样使用。量子快照被用来训练一个模型，该模型可以更有效地收集样本，通过在经过训练的模型中采集样本和运行样本。

这项研究创建了一个框架，旨在简化基于物理对称性的机器学习模型的创建过程。该框架已被应用于更简单的物理问题，该团队现在正试图扩展他们在尖端计算方面的方法。正如 Kanwar 通过 Phys.org 所解释的：

我认为在过去的一年里，我们展示了将物理知识与机器学习技术结合起来的巨大潜力。我们正在积极地考虑如何解决剩余的障碍，利用我们的方法进行全面的模拟。我希望在未来几年，这些方法将首次应用于大规模计算。