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。