Onderzoekers van de New York University Abu Dhabi (NYUAD) hebben aangetoond dat kunstmatige intelligentie zelfstandig de fundamentele wetten van de deeltjesfysica kan herontdekken, zelfs zonder dat ze deze expliciet worden geleerd. De bevindingen, gepubliceerd in het Journal of High Energy Physics, laten zien dat eenvoudige machine learning-algoritmen dezelfde organisatieprincipes kunnen extraheren die menselijke wetenschappers tientallen jaren nodig hadden om te ontdekken.
AI reconstrueert het standaardmodel
De studie voedde een AI-systeem met ruwe experimentele gegevens van deeltjesfysica-experimenten die in de jaren vijftig en zestig werden uitgevoerd. De AI kreeg geen enige voorkennis van het Standaardmodel (SM), het gevestigde raamwerk dat alle bekende fundamentele deeltjes en krachten classificeert. Desondanks heeft het met succes de belangrijkste kenmerken van de SM geïdentificeerd, waaronder:
- Bewaarde hoeveelheden: De AI ontdekte onafhankelijk het baryongetal, isospin, vreemdheid, charme en onderste kwantumgetallen – fundamentele eigenschappen die deeltjesinteracties definiëren.
- De Achtvoudige Weg: De AI reproduceerde het invloedrijke classificatieschema van Murray Gell-Mann, dat het bestaan van quarks voorspelde voordat ze experimenteel werden bevestigd.
- Regge-trajecten: Het systeem heeft patronen blootgelegd tussen deeltjesmassa en spin, wat overeenkomt met experimentele waarnemingen, wederom zonder de opdracht te krijgen om naar deze relaties te zoeken.
Waarom dit belangrijk is
Het vermogen van AI om de kernfysica te reconstrueren op basis van onbewerkte gegevens is aanzienlijk omdat het standaardmodel zelf een monumentale prestatie was. Het vereiste tientallen jaren van theoretisch inzicht, experimenten en wiskundige innovatie. Het feit dat een relatief eenvoudige AI tot dezelfde conclusies kan komen, suggereert dat deze technologie wetenschappelijke ontdekkingen zou kunnen versnellen.
De implicaties zijn breed:
- Patroonherkenning: AI kan enorme datasets scannen op patronen die mensen mogelijk over het hoofd zien.
- Nieuwe natuurkunde: Het systeem zou voorheen niet-herkende structuren kunnen identificeren die verwijzen naar natuurkunde buiten het standaardmodel.
- Validatietool: AI kan dienen als een onafhankelijke verificatiemethode voor bestaande theorieën, waardoor het vertrouwen in gevestigde kennis wordt vergroot.
Methodologie en bevindingen
Het NYUAD-team gebruikte standaard technieken voor machinaal leren zonder toezicht: analyse van hoofdcomponenten, t-gedistribueerde stochastische buurinbedding en clusteralgoritmen. De AI beschikte niet over enige theoretische kennis van de destijds gebruikte wiskundige hulpmiddelen. Dit betekent dat de ontdekte patronen uitsluitend waren afgeleid van de onderliggende structuur van de experimentele gegevens.
“Het feit dat dit relatief standaardhulpmiddelen in machine learning zijn, maakt de diepte van de fysieke structuren die ze blootlegden des te belangrijker.”
De studie weerspiegelt vergelijkbare resultaten in de chemie, waar AI eerder het periodiek systeem der elementen reconstrueerde op basis van atomaire omgevingsgegevens. Dit suggereert een universeel vermogen van AI om wetenschappelijke kennis te destilleren uit ruwe observaties uit verschillende disciplines.
Huidige uitdagingen en toekomstige richtingen
Het onderzoeksteam is van plan te onderzoeken of AI het bestaan van quarks als bouwstenen van hadronen kan voorspellen en ijksymmetrieën kan afleiden uit de kwantumveldentheorie. Het uiteindelijke doel is om verder te gaan dan het reproduceren van bekende natuurkunde en om geheel nieuwe deeltjes of verborgen symmetrieën te identificeren.
NYU Abu Dhabi te midden van regionale instabiliteit
De publicatie van deze studie valt samen met tijdelijke campussluitingen aan NYU Abu Dhabi vanwege aanhoudende regionale geopolitieke spanningen, waaronder het conflict tussen Iran en Israël. Ondanks de verstoring zet de universiteit het onderzoek op afstand voort. De studie werd vóór de sluiting afgerond en benadrukt de voortdurende inzet van de instelling voor wetenschappelijke vooruitgang in de VAE.
Conclusie: Het vermogen van AI om zelfstandig fundamentele natuurwetten te herontdekken markeert een cruciale stap in de richting van het benutten van machinaal leren als een krachtig hulpmiddel voor wetenschappelijk onderzoek. Deze doorbraak vergroot de mogelijkheid om nieuwe inzichten in het universum te ontdekken die alleen voor menselijke onderzoekers verborgen zouden kunnen blijven.
