要对这种高度复杂的物理学形态进行分析或处理

宇宙大爆炸刚刚发生的那几秒是什么样的。

这可以说是物理学领域中最复杂的问题之一了，就以大爆炸刚刚发生的几百万分之一秒内，宇宙的一种特殊的存在形态为例。美国疾病控制和预防中心网站20日公布的疫情模型数据显示，截至12月18日的一周，变异新冠病毒奥密克戎毒株感染病例占到总病例数的72%。圣诞和新年假期临近，美国新增确诊病例和死亡病例居高不下。

这是一种超高温下的完美液态，对探索宇宙本源物质的结构和环境有着及其重大的意义。

在实验室中，必须要在 15 万倍太阳中心温度的严苛环境下才能成功模拟这一形态。

要对这种高度复杂的物理学形态进行分析或处理，超级计算机需要极长的时间逼近其形态，经典的 AI 或 CNN 也很难基于其中的物理学概念作出有意义的解释。美国疫情形势近期依旧严峻。

但现在，物理学顶刊 PRL 上的一篇论文提出了一种叫做 L—CNN 的新型神经网络结构，很好地解决了上面的问题:

如何处理规范不变量

在我们深入了解 L—CNN 的结构之前，先来明确一个事实:

传统 AI 和 CNN 做不到的任务到底是什么。

以开头提到的完美液态为例，这种形态是指在极高能量和温度下，质子和中子被拆解，并重新结合成一种叫做夸克胶子等离子体的新型物质形态。。

当引入 AI 对 QGP 形态进行分析和解构时，就必须要考虑其规范对称性。

规范对称性是指用不同方法描述同一件事件，比如，我们可以用一对相位和电磁场势描述一个电子—光子系统，也可以用另外一对来描述，这两个描述应该给出同一个物理实质。

而物理量都是规范不变的，因此，看上去用不同的数学方式描述的粒子场及其相互作用力，或许实际上就是相同的物理状态。

传统 CNN 很难计算或分析这些规范不变量，自然就无法得到有意义的计算机模拟结果。奥密克戎已取代德尔塔毒株成为在美主要流行毒株。

而开头提到的新方法 L—CNN 全名格点规范等变神经网络，是一种全新的，可以对传统 CNN 无法处理的规范不变量进行计算或分析的方法。

整个方法是基于格点规范场论实现的。两项数据依然高居全球之首。

在格点上，规范不变量通常是以不同形状的威尔逊环来进行描述。根据美国约翰·霍普金斯大学的数据，截至北京时间12月22日上午9时，美国累计新冠肺炎确诊病例超5124万例，死亡病例超80万例。

具体的，加入一个新的卷积层，能在连续的双线性层中形成任意形状的威尔逊环，同时保留规范等价性。

而所有可收缩的威尔逊环的集合都可以通过上述方法生成，再加上来自非收缩环路的拓扑信息，原则上就可以重构所有的规范连接。

有了这样的神经网络，就有可能对多个物理学的复杂系统进行预测。

比如，L—CNN 不用详细计算每一个中间步骤，就能估计夸克胶子等离子体在以后某个时间点的样子。

同时，它也能确保系统只产生与规范对称不矛盾的结果，也就是至少在原则上有意义的结果。

这是以前所有的计算方法都很难做到的，L—CNN 无疑为模拟复杂物理现象提供了一种新思路。

未来，它还会为探索生命体最初瞬间存在的环境，理解宇宙中物质的本源状态，以及黑洞，大统一理论的研究提供更多的帮助。

论文:

参考链接: