人工智能与理论粒子物理学
摘要：理论粒子物理学家在高性能计算和管理分析大数据集方面不断突破界限。例如，使用大规模格点QCD模拟精确预测量子色动力学（QCD）的子百分比精度目标，以及通过高亮度大型强子对撞机（LHC）实验产生的以艾字节为单位的数据中发现罕见事件和新物理信号的目标，需要超越硬件发展的新工具。机器学习和人工智能能够显著降低计算成本和时间。本章回顾了人工智能/机器学习工具可能产生重大影响的选定领域，概述了挑战，并讨论了诸如归一化流等新思想如何加快格点QCD计算中所需的规范配置的生成速度；ML在代替模型和模式匹配中的成长，以减少事件生成器的成本以及在实验数据分析中的用途；以及在寻找弦理论的态空间中可行的真空态方面的作用。虽然这些方法将粒子理论的某些方面转化为计算问题，从而变成黑盒，但我们认为，物理学敏感的开发这些工具的算法统一确保结果无偏的要求将继续需要对物理的深入理解。我们将这种更广泛的转变视为类似于从格点QCD模拟中构建和提取可观测量，这是对QCD路径积分公式的数值积分，然而仍然需要对底层量子场论、粒子物理标准模型和有效场论方法的深入理解。
作者：Rajan Gupta, Tanmoy Bhattacharya, Boram Yoon
论文ID：2205.05803
分类：High Energy Physics - Lattice
分类简称：hep-lat
提交时间：2022-05-13