解决核多体问题是核物理学中的一个关键挑战，它涉及理解原子核内质子和中子(称为核子)的行为。随着核子数量的增加，这些相互作用会变得极其复杂。
了解核子的行为影响着物理学的许多分支，从基础问题到应用核科学。但是，精确预测核子行为所需的计算数量和类型可能需要大量的计算能力。
进入streamlined项目。精简是指在核环境中应用机器学习的智能还原和仿真，是一个多机构合作项目，旨在通过使用机器学习或人工智能解决核多体问题。
《文摘》采访了北卡罗来纳州立大学物理学助理教授、streamlined合作者塞巴斯蒂安·科尼格(Sebastian Koenig)，讨论了合作者希望通过这一合作伙伴关系实现的目标。
摘要:streamlined的目的是开发能够帮助回答核物理问题的人工智能。你会关注哪些主题?
Koenig: streamlined与AI/ML(机器学习)主题保持一致，可以以一种变革的方式解决核理论中广泛的开放性问题。其中，我将重点关注高效仿真器，这是一种工具，一旦经过训练，就可以以与精确计算相比大大降低的数值成本进行预测。此外，我将探索和发展新的方法来描述不稳定的原子核，即衰变的短寿命系统。
TA:人工智能或机器学习如何帮助解决这些问题?
柯尼格:核理论面临的一个巨大挑战是，从相对简单的构建块中产生了极端的复杂性。这就是为什么核理论的许多工作需要超级计算能力的原因。人工智能/机器学习方法可以通过学习关键模式来帮助驯服这种复杂性，从而帮助确定最终从基本原理理解我们所有人的物质所必需的东西，并对自然做出定量的理论预测。
TA:这项工作可以产生哪些应用?
Koenig:通过解决基础科学问题，streamlined寻求更好地理解原子核的结构和动力学。这自然有助于整个核科学，它在整个社会都有重要的应用。此外，我们在streamlined中开发的新技术不仅限于核理论，还可以帮助解决其他物理领域的相关问题。
TA:谁是你的合作者?
Koenig: streamlined是一个由来自多所美国大学和国家实验室的成员组成的多元化而有凝聚力的团队。我将与佛罗里达州立大学和密歇根州立大学的研究人员密切合作，尽管我期待着与整个团队进行交叉工作，并在我们的首次年度面对面合作会议上进行交流。
