Umělá inteligence (Ai) roste. V mnoha vědeckých doménách se používají různé algoritmy AI, jako je předpovídání struktury proteinů, hledání materiálů s konkrétními vlastnostmi a interpretaci lékařských údajů, které poskytují diagnózu. Lidé používají nástroje jako Chatgpt, Claude, NotebookLM, Dall-E, Gemini a Midjourney k generování obrázků a videí z textových výzev, psaní textu a prohledávání webu.
Otázka vyvstává ve stejném duchu: Mohou se ukázat jako užitečná při studiích základních vlastností přírody nebo existuje mezera mezi lidskými a umělými vědci, kteří musí být nejprve přemostěni?
Určitě existuje nějaká mezera. Mnoho současných aplikací AI ve vědeckém výzkumu často používá modely AI jako černou skříňku: když jsou modely vyškoleny na některých datech a vytvářejí výstup, ale vztah mezi vstupy a výstupem není jasný.
Vědecká komunita to považuje za nepřijatelné. V loňském roce například DeepMind čelí tlaku komunity Life Sciences Pro uvolnění inspekovatelné verze svého modelu alfafoldu, která předpovídá proteinové struktury.
Příroda s černým boxem představuje podobné obavy ve fyzikálních vědách, kde kroky vedoucí k řešení jsou stejně důležité jako samotné řešení. Přesto to odradilo vědce od pokusu. Ve skutečnosti začali brzy: od poloviny 80. let integrovali nástroje založené na AI do studia komplexních systémů. V roce 1990 se k záhybu připojila vysoce energetická fyzika.
Astro- a vysoce energetická fyzika
V astronomii a astrofyzice vědci studují strukturu a dynamiku nebeských objektů. Analytika velkých dat a vylepšení obrazu jsou dva hlavní úkoly pro vědce v této oblasti. Algoritmy založené na AI pomáhají s prvním hledáním vzorů, anomálií a korelací.
Ve skutečnosti AI revolucionizovala astrofyzikální pozorování automatizací úkolů, jako je zachycení obrázků a sledování vzdálených hvězd a galaxií. Algoritmy AI jsou schopny kompenzovat rotaci Země a atmosférické poruchy a vytvářejí lepší pozorování v kratším rozpětí. Jsou také schopni „automatizovat“ dalekohledy, které hledají velmi krátkodobé události na obloze a zaznamenávají důležité informace v reálném čase.
Experimentální vysoce energetické fyziky se často zabývají velkými datovými sadami. Například experiment s velkým Hadron Collider v Evropě generuje každý rok více než 30 petabajtů dat. Detektor na srážce zvaném samotný kompaktní muon solenoid zachycuje každou sekundu 40 milionů 3D obrázků kolizí částic. Pro fyziky je velmi obtížné analyzovat takové objemy dat dostatečně rychle na to, aby sledovaly subatomické události zájmu.
V jednom měřítku tedy vědci v Collider začali používat model AI, který byl schopen přesně identifikovat částice, která se zajímala o velmi hlučná data. Takový model pomohl objevit částici Higgs Boson před deseti lety.
AI ve statistické fyzice
Statistická mechanika je studie toho, jak se skupina částic chová společně, spíše než jednotlivě. Používá se k pochopení makroskopických vlastností, jako je teplota a tlak.
Například Ising vyvinul statistický model pro magnetismus ve 20. letech 20. století se zaměřením na kolektivní chování atomových otočení interagujících se svými sousedy. V tomto modelu jsou pro systém vyšší a nižší stavy energie a materiál je pravděpodobnější, že existují v nejnižší energetickém stavu.
Distribuce Boltzmann je důležitým konceptem ve statistické mechanice, která se používá k předpovídání, řekněme, přesné podmínky, ve kterých se led obrátí na vodu. Pomocí této distribuce ve dvacátých letech 20. století Ernst Ising a Wilhelm Lenz předpovídali teplotu, při které se materiál změnil na nemagnetický z magnetického.
Loňská fyzika Nobel Laureates John Hopefield a Geoffrey Hinton vyvinuli teorii neuronových sítí stejným způsobem na základě myšlenky statistické mechaniky. NN je typ modelu, kde uzly, které mohou přijímat data pro provádění výpočtů, jsou vzájemně propojeny různými způsoby. Celkově, NNS zpracovává informace o tom, jak to dělá mozky zvířat.
Představte si například obraz složený z pixelů, kde jsou některé viditelné a zbytek je skrytý. Abychom určili, co je obraz, musí fyziky zvážit všechny možné způsoby, jak by se skryté pixely mohly hodit k viditelným kusům. Myšlenka nejpravděpodobnějších států statistické mechaniky by jim mohla v tomto scénáři pomoci.
Hopefield a Hinton vyvinuli teorii pro NNS, které považovaly kolektivní interakce pixelů za neurony, stejně jako před nimi Lenz a Ising. Síť Hopfield počítá energii obrazu stanovením uspořádání nejméně energie skrytých pixelů, podobné statistické fyzice.
Nástroje AI zjevně vrátily laskavost tím, že pomohly dosáhnout pokroku ve studiu kondenzátů Bose-Einstein (BEC). BEC je zvláštní stav hmoty, že je známo, že sbírka určitých subatomických nebo atomových částic vstupuje při velmi nízkých teplotách. Vědci to vytvářejí v laboratoři od počátku 90. let.
V roce 2016 se vědci z Australian National University pokusili tak učinit pomocí pomoci AI s vytvořením správných podmínek pro vytvoření BEC. Zjistili, že to tak učinilo s létajícími barvami. Tento nástroj byl dokonce schopen pomoci udržet podmínky stabilní, což umožnilo BEC vydržet déle.
„Neočekával jsem, že by se stroj mohl naučit dělat samotný experiment, od nuly, za hodinu,“ řekl ve svém prohlášení spoluautor papíru Paul Wigley. „Jednoduchý počítačový program by trval déle než věk vesmíru, aby prošel všemi kombinacemi a vyřešil to.“
Přivedení AI do kvantum
V a 2022 PapírVědci z Austrálie, Kanady a Německa hlásili jednodušší metodu, jak zamotat dvě subatomické částice pomocí AI. Kvantové výpočetní a kvantové technologie mají dnes velký výzkum a praktický zájem, přičemž vlády – včetně Indie – investují miliony dolarů do rozvoje těchto futuristických technologií. Velká část jejich revoluční síly pochází z dosažení kvantového zapletení.
Například kvantové počítače mají proces nazývaný výměna zapletení: kde se dvě částice, které nikdy neinteragovaly, zamotané pomocí přechodných zamotaných částic. V článku 2022 vědci uvedli nástroj zvaný Pytheus, „vysoce účinný rámec s digitálním objevováním s otevřeným zdrojovým kódem… který může využít širokou škálu experimentálních zařízení z moderních kvantových laboratoří“, aby se lépe dosáhlo zamotání v kvanto-optických experimentech.
Vědci mimo jiné použili Pytheus k provedení průlomu s důsledky pro kvantové sítě používané k bezpečnému přenosu zpráv, čímž se tyto technologie zvyšují. Více práce, včetně výzkumu, zbývá provést, ale nástroje jako Pytheus prokázaly potenciál, aby byla efektivnější.
Z tohoto času v časovém okamžiku se zdá, že každé subfield fyziky brzy použije AI a ML k vyřešení jejich nejtěžších problémů. Konečným cílem je usnadnit přijetí vhodných otázek, rychleji testovat hypotézy a porozumět výsledkům. Další průkopnický objev může pocházet ze spolupráce mezi lidskou kreativitou a strojovou silou.
Shamim Haque Mondal je výzkumný pracovník v divizi fyziky, státní forenzní vědecké laboratoře, Kalkata.
Publikováno – 8. června 2025 03:05 je
