Дослідники з Нью-Йоркського університету в Абу-Дабі (NYUAD) продемонстрували, що штучний інтелект може самостійно знову відкривати фундаментальні закони фізики частинок, навіть без попереднього навчання. Результати, опубліковані в “Журналі Високоенергетичної Фізики”, показують, що прості алгоритми машинного навчання можуть отримувати ті ж самі організуючі принципи, на відкриття яких у вчених пішли десятиліття.
ІІ Реконструює Стандартну Модель
У ході дослідження ІІ-системі було надано сирі експериментальні дані, отримані в ході експериментів з фізики частинок, проведених у 1950-х та 1960-х роках. ІІ не мав попередні знання про Стандартну Модель (СМ), загальноприйняту структуру, що класифікує всі відомі фундаментальні частинки і сили. Незважаючи на це, він успішно визначив ключові особливості СМ, включаючи:
- Зберігаються Квантові Числа: ІІ незалежно відкрив баріонне число, ізоспін, дивина, чарівність і краса – фундаментальні властивості, що визначають взаємодію частинок.
- Вісімковий Шлях: ІІ відтворив впливову класифікаційну схему Мюррея Гелл-Манна, яка передбачила існування кварків до їх експериментального підтвердження.
- Регге-Траєкторії: Система виявила закономірності між масою частинок та їх спином, що збігаються з експериментальними спостереженнями, знову ж таки без вказівок на необхідність пошуку цих зв’язків.
Чому це важливо
Здатність ІІ реконструювати основні принципи фізики із сирих даних значуща, оскільки Стандартна Модель як така є монументальним досягненням. Для її створення знадобилися десятиліття теоретичних прозрінь, експериментів та математичних інновацій. Той факт, що щодо простої ІІ може дійти тих самих висновків, дозволяє припустити, що ця технологія може прискорити наукові відкриття.
Наслідки цього підходу широкі:
- Розпізнавання Зразків: ІІ може сканувати величезні набори даних у пошуках закономірностей, які можуть вислизнути від уваги людини.
- Нова Фізика: Система може виявити раніше не розпізнані структури, що вказують на фізику за межами Стандартної Моделі.
- Інструмент Перевірки: ІІ може бути незалежним методом перевірки існуючих теорій, підвищуючи впевненість у встановлених знаннях.
Методологія та результати
Команда NYUAD використовувала стандартні методи неконтрольованого машинного навчання: метод головних компонентів, t-розподілене стохастичне вкладення сусідів та алгоритми кластеризації. ІІ не був забезпечений попередніми теоретичними знаннями про математичні інструменти, що використовуються на той час. Це означає, що закономірності, які він виявив, були отримані лише з базової структури експериментальних даних.
“Той факт, що це відносно стандартні інструменти машинного навчання робить глибину фізичних структур, які вони виявили, ще більш значущою.”
Дослідження перегукується з аналогічними результатами в хімії, де ІІ раніше реконструював періодичну таблицю елементів даних про атомне оточення. Це говорить про універсальну здатність ІІ отримувати наукові знання з необроблених спостережень у різних дисциплінах.
Поточні Проблеми та Майбутні Напрями
Дослідницька група планує з’ясувати, чи може ІІ передбачити існування кварків як будівельних блоків адронів та вивести калібрувальні симетрії з квантової теорії поля. Кінцева мета – вийти за рамки відтворення відомих законів фізики та виявити абсолютно нові частки або приховані симетрії.
NYU Abu Dhabi на Фоні Регіональної Нестабільності
Публікація цього дослідження збігається з тимчасовим закриттям кампуса NYU Abu Dhabi через регіональну геополітичну напруженість, що продовжується, включаючи конфлікт між Іраном та Ізраїлем. Незважаючи на перебої, університет продовжує дослідницьку роботу віддалено. Дослідження було завершено до закриття та наголошує на постійній прихильності установи до наукових досягнень в ОАЕ.
Висновок: Здатність ІІ самостійно заново відкривати фундаментальні закони фізики знаменує собою вирішальний крок до використання машинного навчання як потужний інструмент для наукових досліджень. Цей прорив відкриває можливість здобуття нових знань про Всесвіт, які можуть залишатися прихованими від людських дослідників.
