چگونه یک میانبر «گرمسیری» می تواند به آزمایش های برخورد دهنده ذرات کمک کند

ویرایش شده توسط گابی کلارک، بررسی توسط رابرت ایگان

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

شتاب دهنده های ذرات گران هستند. نه فقط برای ساخت یا اجرا، بلکه برای پیش بینی نتیجه اندازه گیری های به دست آمده از آنها.

پیش‌بینی پیامدهای برخورد ذرات برای درک نتایج اندازه‌گیری شده در برخورددهنده‌ها ضروری است. به گفته مایکل بورینسکی، عضو هیئت علمی پژوهشی Perimeter، این پیش‌بینی‌ها از نظریه میدان کوانتومی (QFT)، زبانی که رفتار ذرات را توصیف می‌کند، استفاده می‌کنند و یک مشکل بزرگ دارند.

او می‌گوید: «ما یک مدل نظری از فیزیک را به عنوان ورودی می‌گیریم، آن را به زبان QFT ترجمه می‌کنیم، و تولید پیش‌بینی‌ها بسیار سخت است. "آنچه وارد می‌کنید قانون طبیعت، نحوه تعامل ذرات به صورت محلی و آنچه شما می‌خواهید پیش‌بینی چیزی است که در مقیاس بزرگ‌تر انجام می‌شود، رمزگذاری می‌کند. این خط لوله‌ای از این قوانین محلی و بسیار ساده به چیزهایی است که می‌توان اندازه‌گیری کرد."

اما پیش‌بینی‌ها فقط از نظر فکری دشوار نیستند. آنها از نظر محاسباتی دشوار هستند، بیشتر از آن با هر رقم محاسبه شده، که مستقیما به ساعت های گران قیمت رایانه تبدیل می شود. و از آنجایی که دانشمندان پدیده‌هایی را در مقیاس‌های طولی بسیار کوچک بررسی می‌کنند، پیش‌بینی‌ها باید دقیق‌تر باشند.

هر رقم به حساب می آید، اما هر رقم جدید به محاسبات بسیار بیشتری نیاز دارد. و به طور قابل توجهی پول بیشتر.

بورینسکی توضیح می دهد: "این خط لوله، این الگوریتم، یک نقص دارد. بسیار دشوار است و بسیار کند است." انجام این پیش‌بینی‌ها بسیار سخت است و اگر نتایج دقیق‌تری بخواهیم گران‌تر می‌شوند. گرفتن ارقام بیشتر در هر مرحله بسیار سخت‌تر می‌شود.»

برخی از تحقیقات Borinsky در مورد QFT های گرمسیری اخیرا در Ann منتشر شده است. هانری پوانکاره

در هسته خود، مسئله پیش‌بینی QFT ریاضی است: پیش‌بینی‌ها به جای نمایی، تقاضاهای محاسباتی خود را به صورت فاکتوری افزایش می‌دهند، که از رشد نمایی پیشی می‌گیرد. این همچنین به این معنی است که هزینه اجرای این پیش بینی ها به صورت فاکتوری افزایش می یابد.

برای مثال، n=5 را فرض کنیم و رشد نمایی را با رشد فاکتوریل مقایسه کنیم.

رشد نمایی به این صورت خواهد بود: 25=2×2×2×2×2=32

اما رشد فاکتوریل به این صورت است: 5!=5×4×3×2×1=120

بورینسکی می گوید: «این نرخ رشد وحشتناکی است. "شاید بتوان سه رقم را محاسبه کرد، اما محاسبه رقم چهارم زمان بسیار بسیار بیشتری می برد. شما واقعا به این دیوار برخورد می کنید."

هدف بورینسکی دور کردن محاسبات QFT از رشد فاکتوریل است. اما او نمی خواهد به رشد تصاعدی بسنده کند. او رشد چند جمله ای را می خواهد، که اگرچه از نظر مفهومی پیچیده تر است، اما برای رایانه ها کارآمدتر است.

برای آن، بورینسکی راه حلی دارد. به آن «نظریه میدان گرمسیری» می گویند.

نظریه میدان گرمسیری نام خود را از هندسه گرمسیری گرفته است، یک مفهوم ریاضی که برای ساده کردن سیستماتیک یک شی هندسی، شکستن آن به قطعات کوچکتر و قرار دادن دوباره آن در کنار هم استفاده می شود.

این مفهوم (مانند بسیاری از چیزها) به بهترین وجه از طریق محصولات پخته شده توضیح داده می شود.

یک چوب شور با شکلی پیچیده با مفاصل زیاد تصور کنید. هدف شما این است که آن را ساده کنید و در عین حال اطلاعات مهم در مورد شکل آن را تا حد امکان حفظ کنید.

یکی از راه‌های درک بهتر شکل آن این است که نمای بیرونی آن را صاف کنید و جزئیات ناهمواری بیرونی آن را قربانی کنید تا بتوانید شکل کلی آن را بهتر درک کنید. سپس، می توانید چوب شور را به قطعات کوچک زیادی برش دهید، منحنی ها را به تکه های تقریبا صاف صاف کنید. شما اکنون اجسام صاف و نسبتا مستقیم زیادی دارید که می توانند در آن چوب شور بازسازی شوند. به طور کلی، چوب شور پیچیدگی کمتری دارد در حالی که هنوز می توانید شکل آن را درک کنید. این قلب هندسه گرمسیری است.

بورینسکی همین مفهوم را در مورد QFT به کار برد: نسخه ساده‌تری که هنوز جزئیات لازم را در خود دارد. او می‌گوید: «ما این نظریه میدان کوانتومی اصلی را داریم که بسیار پیچیده است و درک آن هم برای انسان‌ها و هم برای رایانه‌ها دشوار است. "اما سپس آن را به این نسخه کارتونی که نظریه استوایی ارائه می دهد تغییر شکل می دهیم، که محاسبات نظریه اصلی را بسیار کارآمدتر می کند."

و نتایج امیدوارکننده هستند و رشد فاکتوریل را به رشد چند جمله‌ای بسیار کارآمدتر تغییر می‌دهند.

او می‌گوید: «ما روی چیزی قرار می‌گیریم که در مقایسه با استانداردهای QFT‌های معمولی به‌راحتی قابل حل است. حتی بر روی قلم و کاغذ، می توان محاسباتی را در این دنیای گرمسیری انجام داد که در غیر این صورت سال ها طول می کشد.

همانطور که وجود دارد، قبل از اینکه QFT های گرمسیری برای آزمایش های شتاب دهنده ذرات موثر باشند، باید کارهای بیشتری انجام شود. اما راه‌حل گرمسیری در حال حاضر برای افزایش دقت پیش‌بینی‌ها برای آزمایش‌های ماده متراکم، که فازهای عجیب و غریب ماده را بررسی می‌کنند، استفاده می‌شود.

در حال حاضر، بورینسکی به چیزی که به طور خاص از گرمسیری زنده می ماند، علاقه مند است. او می‌گوید: «تاکنون مشخص نیست چه اطلاعاتی از بین رفته و چه اطلاعاتی زنده مانده‌اند.

یافتن راه حل برای تقاضاهای رو به رشد پیش بینی ها و شبیه سازی ها برای شتاب دهنده های ذرات موضوعی است که در Perimeter و در سراسر جهان مورد مطالعه قرار گرفته است. یک راه حل ریاضی مانند QFT های گرمسیری می تواند به محققان در درک بهتر نتایج اندازه گیری شده کمک کند و در عین حال تقاضای محاسباتی را هم کارآمد و هم ارزان نگه دارد.

او می‌گوید: «به چند بینش اساسی جدید نیاز است. "پس واقعا پیش بینی ذرات را به میزان قابل توجهی تسریع می کند."

مایکل بورینسکی، نظریه میدان کوانتومی گرمسیری شده و نمونه برداری گرمسیری جهانی، آنال هانری پوانکاره (2026). DOI: 10.1007/s00023-026-01695-y

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →