Glasma-Simulationen mit maschinellem Lernen hochskalieren

Maschinelles Lernen ist ein neuartiges Werkzeug, um verschiedene Aspekte physikalischer Systeme zu studieren. Mittels Deep Learning können hierarchische Informationen aus umfangreichen Daten extrahiert werden und die Entwicklung nichtlinearer Dynamik zu einem erstaunlichen Grad vorhergesagt werden. In diesem Projekt möchten wir untersuchen, wie neuronale Netzwerke genutzt werden können, um die reichhaltige Dynamik von Eichtheorien zu entschlüsseln. Wir möchten Deep Learning auf Glasma-Simulationen anwenden, welche die frühesten Stadien von Schwerionenkollisionen simulieren. Das Glasma ist ein Vorgängerzustand des Quark-Gluon- Plasmas, welches ein plasmaartiger, hochenergetischer Materiezustand ist, bei dem Protonen und Neutronen in ihre Bestandteile, die Quarks und Gluonen, zerschmelzen. Das Quark-Gluon-Plasma dominierte das frühe Universum bis etwa zehn Mikrosekunden nach dem Big Bang. Heutzutage kann das Quark-Gluon-Plasma in Schwerionenkollisionen am Relativistic Heavy Ion Collider (RHIC) in Brookhaven, USA, oder am Large Hadron Collider (LHC) am CERN erzeugt werden. Das Quark-Gluon-Plasma, das in solchen Schwerionenkollisionen erzeugt wird, unterscheidet sich vom equilibrierten Quark-Gluon-Plasma im frühen Universum durch seinen Erzeugungsprozess. Aufgrund seiner glasartigen Flussschauchstruktur zum Zeitpunkt der Erzeugung in Schwerionenkollisionen wird es Glasma genannt - eine Kombination aus Glas und Plasma. Eine zentrale Rolle spielt dabei die exakte Erfüllung der Eich-Invarianz, unabhängig von zufälligen Farbladungsfluktuationen. Die Simulation der Entwicklung des Glasmas ist numerisch aufwendig und speicherintensiv. Wenn wir maschinelles Lernen auf unser physikalisches System anwenden möchten, müssen wir besonders darauf achten, die Eichinvarianz zu gewährleisten. Eichinvarianz in neuronale Netzwerke einzubauen kann zu Deep Learning Systemen mit neuartigen Eigenschaften führen. Wir können mehr über die Eigenschaften neuronaler Netzwerke und deren Möglichkeiten und Einschränkungen herausfinden, indem wir deren Resultate mit Resultaten von physikalischen Simulationen vergleichen. Umgekehrt können wir, indem physikalische Systeme durch neuronale Netzwerke dargestellt werden, mehr über alternative Darstellungen des Informationsinhaltes lernen. So ein Zugang könnte als eine neue Art von effektiver feldtheoretischer Beschreibung betrachtet werden. Mit den daraus gewonnenen Erkenntnissen wollen wir letztendlich Glasma-Simulationen von größeren Systemen und bei höheren Kollisionsenergien ermöglichen, die aufgrund rechentechnischer Begrenzungen derzeit noch undurchführbar sind.

Unser Forschungsprojekt zielte darauf ab, die Möglichkeiten des maschinellen Lernens zu nutzen, um unser Verständnis komplexer physikalischer Systeme zu verbessern. Dabei konzentrierten wir uns auf die Dynamik von Schwerionenkollisionen, die an Teilchenbeschleunigern wie dem LHC am CERN untersucht werden. Durch die Erforschung von Deep-Learning-Techniken versuchten wir, das komplizierte Verhalten bei diesen Hochenergieereignissen zu analysieren und vorherzusagen. Einer der wichtigsten Durchbrüche unseres Projekts war die Entwicklung von Lattice Gauge Equivariant Convolutional Neural Networks (L-CNNs). Diese neuronalen Netze sind so konzipiert, dass sie die Gittereichsymmetrie, einen grundlegenden Aspekt der Eichtheorien in der Physik, berücksichtigen. Dadurch können L-CNNs das Verhalten von Feldern der starken Kraft genau modellieren und vorhersagen, was sie zu leistungsstarken Werkzeugen für die theoretische und rechnergestützte Physik macht. Wir untersuchten auch die Vorteile der Verwendung neuronaler Netzwerkarchitekturen, die die zugrundeliegenden Symmetrien physikalischer Probleme widerspiegeln, und zeigten, dass äquivariante neuronale Netzwerke bei verschiedenen Aufgaben besser abschneiden als herkömmliche, was sowohl die Leistung als auch die Verallgemeinerbarkeit verbessert. Darüber hinaus haben wir maschinelles Lernen angewandt, um bessere Parametrisierungen von Fixpunktwirkungen in der SU(3)-Eichtheorie zu finden, die für die Verringerung von Diskretisierungseffekten und Gitterartefakten entscheidend sind. Unser Projekt hat den Grundstein für zukünftige Forschung gelegt, die maschinelles Lernen mit theoretischer Physik für die starke Kernkraft kombiniert. Die von uns entwickelten L-CNNs können potenziell angepasst und auf eine Vielzahl von Problemen angewandt werden, darunter auch auf die frühen Phasen von Schwerionenkollisionen. Unsere Ergebnisse zeigen, wie wichtig es ist, physikalische Symmetrien in das Design neuronaler Netze einzubeziehen, was zu robusteren und aufschlussreicheren Modellen führt.