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。
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。
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（QGP）的新型物质形态。
（最初物质形成之前的整个宇宙都是这种形态）
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（Gauge Symmetry）。
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。
而开头提到的新方法 L-CNN 全名格点规范等变（Lattice Gauge Equivariant）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（Lattice gauge theory）实现的。
在格点上，规范不变量通常是以不同形状的威尔逊环（Wilson Loop）来进行描述。
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（Gauge Equivariance）。
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。
论文作者 Andreas Ipp 还用夸克胶子等离子体举了个例子：
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。
作者介绍论文共有四位作者，都来自维也纳科技大学（TU Wien）的理论物理研究所。
其中右下角为论文的通讯作者 David I. Müller，为维也纳科技大学理论物理研究所的博士后，主要研究领域为高能物理学、格点规范场、机器学习。
论文：
https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.128.032003
参考链接：
https://www.eurekalert.org/news-releases/941106
放置奇兵复活节答题活动题目答案汇总分享给大家，在放置奇兵放置谜题复活节答题活动中需要正确回答题目可以获取奖励，今天小编给大家带来了各个谜题的答案，希望可以帮助到
