Исследователи, работающие в области теории струн, начали использовать машинное обучение для перевода микроскопических конфигураций дополнительных измерений в наборы элементарных частиц. Однако пока они не смогли связать эти результаты с нашим миром.
Теория струн привлекла внимание физиков десятилетия назад своей простой идеей: при достаточном увеличении пространства можно увидеть не частицы и квантовые поля, а лишь идентичные струны энергии, вибрирующие и соединяющиеся друг с другом. В конце 1980-х годов было обнаружено, что эти «струны» могут колебаться лишь в нескольких способах, что открыло возможность проследить путь от колебаний струн к элементарным частицам нашего мира. Самые глубокие колебания струн создают гравитоны — гипотетические частицы, которые формируют гравитационную структуру пространства-времени. Другие колебания дают начало электронам, кваркам и нейтрино. Теория струн была названа «теорией всего».
«Люди думали, что это лишь вопрос времени, чтобы вычислить всё, что нужно знать», — сказал Энтони Эшмор, теоретик струн из Сорбонского университета в Париже.
Однако с углублением изучения теории струн выявилась её сложность. Каждое приближение к нашему миру частиц и сил увеличивало количество возможных вариантов. Для математической согласованности струны должны двигаться в 10-мерном пространстве-времени, тогда как наш мир имеет четыре измерения (три пространственных и одно временное). Это привело к заключению, что шесть дополнительных измерений свернуты в микроскопические формы, похожие на губки. Эти неощутимые формы имеют триллионы разновидностей, что делает задачу выявления конфигурации, соответствующей нашему миру, практически нерешаемой.
Теоретики струн пытались определить, могут ли эти формы и поля струн описывать элементарные частицы, но количество возможностей оказалось подавляющим — 10^500 возможных микроскопических конфигураций. Никто не мог понять, как из конкретной конфигурации измерений и струн выделить макроскопический мир частиц.
«Может ли теория струн делать уникальные предсказания? Это действительно физика? Ответа пока нет», — сказала Лара Андерсон, физик из Технологического института Виргинии, посвятившая большую часть своей карьеры связыванию струн с частицами.
Современные исследователи привнесли новый инструмент в решение старой проблемы: нейронные сети, программы, используемые в искусственном интеллекте. В последние месяцы две группы физиков и компьютерных ученых использовали нейронные сети для точных расчётов макроскопического мира, который возникает из микроскопического мира струн. Этот долгожданный шаг возродил интерес к определению того, может ли теория струн действительно описывать наш мир.
«Мы не можем утверждать, что это правила для нашей вселенной», — сказала Андерсон. «Но это большой шаг в правильном направлении».
Основной характеристикой, определяющей макроскопический мир, который возникает из теории струн, является конфигурация шести дополнительных измерений. Наиболее простыми из таких конфигураций являются 6-мерные формы, называемые многообразиями Калаби-Яу. Эти объекты привлекают физиков благодаря двум характеристикам: они могут содержать квантовые поля с симметрией, известной как суперсимметрия, и являются «Риччи-плоскими». Суперсимметричные поля проще для изучения, а Риччи-плоские многообразия соответствуют уравнениям Эйнштейна для пустого пространства.
В поисках подходящего многообразия Калаби-Яу исследователи определяют его метрическую функцию, которая описывает расстояния между точками в форме. В высокоразмерных искривлённых пространствах эта функция становится сложной. В последние годы нейронные сети, используемые для аппроксимации таких функций, показали свою эффективность.
Исследователи смогли использовать нейронные сети для расчёта метрик многообразий Калаби-Яу, что позволило им рассчитать массы частиц. Однако это лишь первый шаг. Следующий шаг — учёт взаимодействий частиц с полем Хиггса, что требует дальнейших расчётов с использованием нейронных сетей. Недавно две группы исследователей достигли успеха в этом направлении, рассчитав массы трёх типов кварков для различных многообразий Калаби-Яу. Эти результаты подтверждают, что машинное обучение может помочь перейти от теоретических моделей к конкретным предсказаниям.
Таким образом, хотя теория струн и столкнулась с огромными трудностями, использование нейронных сетей открывает новые перспективы в её исследовании и приближает учёных к пониманию, может ли эта теория действительно описывать наш мир.
Источник: SecurityLab