Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Deep learning the real-time properties of strongly correlated quantum fields

Alternativ tittel: Dyplæring anvendt på beregning av dynamikken til sterkt korrelerte kvantefelt

Tildelt: kr 7,0 mill.

Fysikken i det forrige århundret revolusjonerte forståelsen av materiens mikroskopiske oppbygning. Protoner og nøytroner inneholder tre kvarker holdt sammen av elementærpartikler kalt gluoner, dvs. "limpartikler". Men universet har ikke alltid vært så fredelig som nå. Umiddelbart etter Big Bang var temperaturen 200.000 ganger høyere enn i sentrum av sola, og høyenergifysikerne strever med å forstå hvordan kvarker og gluoner oppfører seg under slike ekstreme betingelser. For dette formål benyttes akseleratorer hvor tunge ioner kolliderer med hverandre og gjenskaper forhold som ligner dem som rådet etter Big Bang. Å beskriver materie under slike betingelser krever kvantefeltteori. Denne beskriver hvordan partikler oppstår fra energi i henhold formelen E=mc^2. Det finnes solid evidens for at en slik kvantefeltteori, kvantekromodynamikken (QCD), korrekt beskriver kvarker og gluoner. Men selv etter mange tiårs arbeid er det ikke lykkes å beregne dynamikken til disses partiklene nøyaktig under de forholdene som råder i tungionekollisjoner. Grunnen er at partiklene vekselvirker sterkt, så metoder basert på svak kobling ikke fungerer. På den annen side plages rent numeriske simulasjoner av QCD av det såkalte "fortegnsproblemet", som fører til ustabiliteter. Prosjektet DeepRTP skal utvikle nye strategier for å beregne dynamisk evolusjon av QCD under ekstreme forhold numerisk. Det nye ved tilnærmelsen er å utnytte fremskritt i maskinlæring. Vi foreslår både å forbedre eksisterende beregningsmetoder for å minimere virkningen av "fortegnsproblemet", og å forsøke å utvikle genuint nye metoder som helt omgår problemet. Å forstå dynamikken til sterkt korrelerte kvantefelt vil ikke bare øke forståelsen av det tidlige universet betydelige, men vil også kunne føre til nye veier til forståelse på andre felt, som i studiet av kvantegasser under ekstreme betingelser og i kvanteinformasjonsteori. Nye forskningshøydepunkter fra dette prosjektet inkluderer den første bestemmelsen av samspillspotensialet mellom tunge subatomære kvarkpartikler i en real-time simulering og en ny implementering av en lovende real-time simuleringsmetode kalt Complex Langevin, noe som forbedrer stabiliteten betydelig. I 2022 nådde vi en andre milestone. Vi brukte maskinlæringsteknikker for å utvide rekkevidden til Complex Langevin simuleringer av dynamikken av kvantefelder til tre ganger den tidligere rekorden publisert i litteraturen. Resultat ble presentert på det internasjonale symposiet for Gitter-feltteori i Bonn, Tyskland. I 2023 oppnådde vi et viktig gjennombrudd ved å være i stand til å simulere et mer realistisk system, såkalt skalarfeltteori i to dimensjoner, opptil dobbelt så lange tid som tidligere rapportert i litteraturen, og etablerte vår metode som den nåværende beste tilnærmingen til simulering av sanntidsdynamikk i denne klassen av kvantesystemer. Samtidig går prosjektet frem mot sitt mål om å avsløre dynamikken i subatomære kvarkpartikler fra konvensjonelle simuleringer, og spille en viktig rolle i et internasjonalt samarbeid om temaet. For aktuell prosjektinformasjon se vår hjemmeside på http://deeprtp.uis.no

The ab-initio study of quantum systems of more than 10 particles and the real-time quantum evolution of fields that describe how light and matter interact is severely limited by the so-called sign-problem. This problem hampers progress in high energy physics, material science and quantum chemistry. The DeepRTP project (w/ PhD: D. Alvestad, Postdoc: R. Larsen) developed a novel and innovative approach to tackle the sign problem by using machine learning. Combining modern stable simulation algorithms developed for financial mathematics applications with reinforcement learning strategies, proven successful in autonomous driving, we were able to infuse simulations of quantum fields with additional relevant knowledge. This allowed us to stabilise and extend the range of validity of these simulations significantly beyond the state-of-the-art, beating several records previously set in the literature. With these impactful contributions, DeepRTP has propelled ahead and reinvigorated the study of real-time quantum dynamics with the complex-Langevin approach, seeing related projects take shape in Austria, Hungary and the Denmark. As second pillar of DeepRTP we deployed advanced data analysis techniques to extract for the first time the potential between a heavy quark and antiquark at finite temperature from state-of-the-art numerical simulations of the strong nuclear force (w/ PhD: G. Parkar, Postdoc: R. Larsen). Our results upset the established picture of heavy quark interactions, as it revealed that contrary to expectations, the potential does not appear to be screened in the presence of mobile color charge carriers. Such a result would have far reaching consequences for the dynamic modelling of heavy quark pairs relevant for ongoing and upcoming heavy-collisions experiments carried out at the CERN and BNL laboratories. As part of this DeepRTP pillar, we co-developed a deep-learning based strategy for the extraction of so-called spectral functions, taking on a pioneer role in this field together with colleagues from the University of Heidelberg.

The DeepRT project combines methods from theoretical physics and machine learning to tackle a central physics challenge that hampers progress in many areas, e.g. relativistic heavy-ion collisions. Our physics goal is to elucidate how energy and momentum are transferred among microscopic matter constituents in extreme conditions, where "extreme" may refer to high temperatures or density. It requires us to compute the transport coefficients bulk and shear viscosity. In quantum field theory, such real-time properties are encoded in spectral functions. Extracting those from standard first-principles Monte-Carlo simulations however amounts to an exponentially hard inverse problem. We aim to overcome this issue with an improved extraction (subproject I) and an alternative simulation prescription (subproject II). In subproject I a PhD student will apply the concept of autoencoder (AE), a pillar of the deep-learning revolution in image processing, to the extraction of spectral functions from Monte-Carlo simulations. The central task is to develop the required topology and training strategy for the neural network. A large data pool from previous work of the PI will be an essential training ingredient. The ability of an AE to represent relevant features of input in hidden layers will be used to obtain improved Bayesian regularization schemes for inverse problems. In subproject II a postdoc will combine deep learning with complex Langevin simulations to compute real-time properties directly, evading the inverse problem. The Langevin approach so far has suffered from instabilities, which we propose to overcome by a neural network that acts as a dynamical control system. Developing and training the network in both the non-interacting theory, where analytic data is available and from concurrent standard imaginary time simulations will be the central challenge. In case of gauge fields, the degeneracy in the field variables will require developing and handling of deep networks.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek