Unabhängiges Magazin für Wirtschaft und Bildung

19. März 2024

Search form

Search form

Künstliche Intelligenz für die Physik der kleinen Teilchen

Künstliche Intelligenz für die Physik der kleinen Teilchen© TU Wien

Ein Materienzustand wie nach dem Urknall mit unzähligen energiegeladenen Interaktionen. Hochkomplexe Computersimulationen und neuronale Netze. Die TU Wien entwickelt neue Anwendungen für intelligentes maschinelles Lernen.

(red/czaak) Winzige Teilchen schwirren mit extrem hoher Energie wild umher, in dem wirren Durcheinander von Quantenteilchen kommt es zu unzähligen Interaktionen und daraus ergibt sich ein Materiezustand, der als sogenanntes „Quark-Gluon-Plasma“ bezeichnet wird. Unmittelbar nach dem Urknall war das ganze Universum in diesem Zustand, heute wird dieser durch hochenergetische Atomkernkollisionen hergestellt, etwa am Forschungszentrum CERN im schweizerischen Genf. 

Neuronale Netze
Für die Simulationen, Analysen und Auswertungen dieser hochkomplexen Prozesse braucht es entsprechend leistungsstarke Computer. Eine Methodik ist künstliche Intelligenz in Form des sogenannten Machine Learnings. Die dafür im Normalfall eingesetzten Algorithmen sind aber nicht geeignet. Mathematische Eigenschaften der Teilchenphysik erfordern eine besondere Struktur von neuronalen Netzen. Die TU Wien zeigte nun, wie neuronal Netze für diese herausfordernden Aufgaben der Teilchenphysik trotzdem genutzt werden können.

„Ein Quark-Gluon-Plasma möglichst realistisch zu simulieren nimmt extrem viel Rechenzeit in Anspruch“, erklärt Andreas Ipp vom Institut für Theoretische Physik der TU Wien. „Selbst die größten Supercomputer der Welt sind damit rasch überfordert.“ Es sei daher wünschenswert, wenn man nicht jedes Detail präzise berechnen müsste, sondern mit Hilfe einer künstlichen Intelligenz gewisse Eigenschaften erkennen und vorhersagen könnte – und dafür dienen neuronale Netze. 

Unterschiedliche mathematische Objekte für gleiche physikalische Zustände
Ähnlich wie in der Bilderkennung werden virtuelle „Zellen“ am Computer ähnlich vernetzt wie Neuronen im Gehirn – und so entsteht ein Netz, das etwa erkennt, ob auf einem bestimmten Bild eine Katze zu sehen ist oder nicht. Wird diese Technik auf das Quark-Gluon-Plasma angewendet, ergibt sich allerdings ein schwerwiegendes Problem: Die Felder zur mathematischen Beschreibung der Teilchen und ihrer Kräfte können auf unterschiedliche Arten dargestellt werden, die sogenannte Eichsymmetrie.

„Wenn ich ein Messgerät anders eiche und etwa bei einem Thermometer statt der Celsius-Skala die Kelvin-Skala verwende, dann erhalte ich völlig andere Zahlen, auch wenn ich denselben physikalischen Zustand beschreibe. Bei Quantentheorien ist es ähnlich – nur dass dort die erlaubten Eichungen mathematisch viel komplizierter sind“, so Ipp. Mathematische Objekte, die auf den ersten Blick völlig unterschiedlich aussehen, können denselben physikalischen Zustand beschreiben.

Eichsymmetrien und die Struktur der Netze
Eine bessere Variante wäre die Struktur des neuronalen Netzes so zu gestalten, dass die Eichsymmetrie automatisch berücksichtigt wird – dass also unterschiedliche Darstellungen desselben physikalischen Zustands im neuronalen Netz auch dieselben Signale hervorrufen. Mit der Entwicklung neuer Netzwerk-Schichten ist der TU Wien jetzt exakt das gelungen. Die Eichinvarianz wird automatisch berücksichtigt und die TU Forscher zeigten in mehreren Beispielen, dass diese Netze tatsächlich weitaus besser lernen mit den Simulationsdaten des Quark-Gluon-Plasmas umzugehen.

„Solche neuronalen Netzwerken ermöglichen Vorhersagen über das System, etwa abzuschätzen, wie das Quark-Gluon-Plasma zu einem späteren Zeitpunkt aussehen wird, ohne wirklich jeden einzelnen zeitlichen Zwischenschritt im Detail ausrechnen zu müssen“, unterstreicht Andreas Ipp. „Gleichzeitig sind nur solche Ergebnisse gesichert, die der Eichsymmetrie nicht widersprechen und prinzipiell physikalisch sinnvoll sind“, ergänzt der TU Forscher. Diese neuen neuronalen Netze liefern „ein vielversprechendes Werkzeug, um physikalische Phänomene zu beschreiben, bei denen alle anderen Rechenmethoden rasch überfordert sind“, so das Resüme der TU Experten.

Links

red/czaak, Economy Ausgabe Webartikel, 28.01.2022