Исследователи из Нью-Йоркского университета в Абу-Даби (NYUAD) продемонстрировали, что искусственный интеллект может самостоятельно заново открывать фундаментальные законы физики частиц, даже без предварительного обучения. Результаты, опубликованные в Журнале Высокоэнергетической Физики, показывают, что простые алгоритмы машинного обучения могут извлекать те же организующие принципы, на открытие которых у ученых ушли десятилетия.
ИИ Реконструирует Стандартную Модель
В ходе исследования ИИ-системе были предоставлены сырые экспериментальные данные, полученные в ходе экспериментов по физике частиц, проведенных в 1950-х и 1960-х годах. ИИ не обладал предварительными знаниями о Стандартной Модели (СМ), общепринятой структуре, классифицирующей все известные фундаментальные частицы и силы. Несмотря на это, он успешно определил ключевые особенности СМ, включая:
- Сохраняющиеся Квантовые Числа: ИИ независимо открыл барионное число, изоспин, странность, очарование и прелесть – фундаментальные свойства, определяющие взаимодействие частиц.
- Восьмеричный Путь: ИИ воспроизвел влиятельную классификационную схему Мюррея Гелл-Манна, которая предсказала существование кварков до их экспериментального подтверждения.
- Регге-Траектории: Система выявила закономерности между массой частиц и их спином, совпадающие с экспериментальными наблюдениями, опять же без указаний на необходимость поиска этих связей.
Почему Это Важно
Способность ИИ реконструировать основные принципы физики из сырых данных значима, поскольку Стандартная Модель сама по себе является монументальным достижением. Для ее создания потребовались десятилетия теоретических прозрений, экспериментов и математических инноваций. Тот факт, что относительно простой ИИ может прийти к тем же выводам, позволяет предположить, что эта технология может ускорить научные открытия.
Последствия этого подхода широки:
- Распознавание Образцов: ИИ может сканировать огромные наборы данных в поисках закономерностей, которые могут ускользнуть от внимания человека.
- Новая Физика: Система может выявить ранее не распознанные структуры, указывающие на физику за пределами Стандартной Модели.
- Инструмент Проверки: ИИ может служить независимым методом проверки существующих теорий, повышая уверенность в установленных знаниях.
Методология и Результаты
Команда NYUAD использовала стандартные методы неконтролируемого машинного обучения: метод главных компонент, t-распределённое стохастическое вложение соседей и алгоритмы кластеризации. ИИ не был снабжен предварительными теоретическими знаниями о математических инструментах, используемых в то время. Это означает, что закономерности, которые он обнаружил, были получены исключительно из базовой структуры экспериментальных данных.
«Тот факт, что это относительно стандартные инструменты машинного обучения, делает глубину физических структур, которые они выявили, еще более значимой.»
Исследование перекликается с аналогичными результатами в химии, где ИИ ранее реконструировал периодическую таблицу элементов из данных об атомном окружении. Это говорит об универсальной способности ИИ извлекать научные знания из необработанных наблюдений в различных дисциплинах.
Текущие Проблемы и Будущие Направления
Исследовательская группа планирует выяснить, может ли ИИ предсказать существование кварков как строительных блоков адронов и вывести калибровочные симметрии из квантовой теории поля. Конечная цель — выйти за рамки воспроизведения известных законов физики и выявить совершенно новые частицы или скрытые симметрии.
NYU Abu Dhabi на Фоне Региональной Нестабильности
Публикация этого исследования совпадает с временным закрытием кампуса NYU Abu Dhabi из-за продолжающейся региональной геополитической напряженности, включая конфликт между Ираном и Израилем. Несмотря на перебои, университет продолжает исследовательскую работу удаленно. Исследование было завершено до закрытия и подчеркивает постоянную приверженность учреждения научным достижениям в ОАЭ.
Заключение: Способность ИИ самостоятельно заново открывать фундаментальные законы физики знаменует собой решающий шаг к использованию машинного обучения в качестве мощного инструмента для научных исследований. Этот прорыв открывает возможность получения новых знаний о Вселенной, которые могут оставаться скрытыми от человеческих исследователей.
