На протяжении 40 лет тысячи лучших физиков мира доводили до совершенства гравитационно-волновой детектор LIGO — вершину человеческой инженерной мысли. Когда они попросили искусственный интеллект найти способ улучшить их детище, ИИ предложил нечто, что учёные назвали «инопланетным хаосом» — асимметричную и неинтуитивную конструкцию, которую любой эксперт счёл бы абсурдной. Но симуляции показали: эта странная схема работает, потенциально делая самый точный прибор на планете на 10-15 % чувствительнее. Как машине удалось превзойти десятилетия коллективной человеческой работы и что это говорит о будущем научных открытий?

Далее перевод статьи Wired.

Программное обеспечение на основе искусственного интеллекта проектирует новые экспериментальные протоколы, которые превосходят разработки человеческих физиков, хотя людям по-прежнему приходится за ними присматривать.

Бывают просто точные измерения, а бывает Лазерно-интерферометрическая гравитационно-волновая обсерватория (Laser Interferometer Gravitational-Wave Observatory, LIGO). В двух детекторах гравитационных волн LIGO, расположенных в Ханфорде (Вашингтон) и Ливингстоне (Луизиана), лазерные лучи многократно отражаются, двигаясь вдоль 4-километровых плеч гигантской буквы L. Когда через установку проходит гравитационная волна, длина одного плеча изменяется относительно другого менее чем на ширину одного протона. Именно измеряя эти микроскопические различия, учёные делают открытия. Чувствительность детектора сравнима со способностью определять расстояние до звезды Альфа Центавра с точностью до толщины человеческого волоса.

Проектирование этой машины заняло десятилетия: физикам пришлось довести каждый её аспект до предела физических возможностей. Строительство началось в 1994 году и растянулось более чем на 20 лет, включая четырёхлетний перерыв на модернизацию детекторов, прежде чем LIGO в 2015 году зарегистрировала свою первую гравитационную волну — рябь в ткани пространства-времени от далёкого слияния пары чёрных дыр.

Рана Адхикари (Rana Adhikari), физик в Калифорнийском технологическом институте, в середине 2000-х возглавлял команду, оптимизирующую детектор. Он и несколько соавторов скрупулёзно дорабатывали детали конструкции LIGO, исследуя границы каждого ограничения, мешавшего сделать установку ещё чувствительнее.

Но после открытия 2015 года Адхикари захотел понять, удастся ли улучшить конструкцию LIGO так, чтобы, например, улавливать гравитационные волны в более широком диапазоне частот. Это позволило бы видеть слияния чёрных дыр разных размеров, а также могло принести и другие потенциальные сюрпризы. «Больше всего нам хотелось бы обнаружить нечто совершенно новое в астрофизике, чего никто ранее не мог себе представить, — говорит Адхикари. — Мы не должны иметь предубеждений относительно того, что может создавать вселенная».

Он и его команда обратились к ИИ — в частности, к программному пакету, который изначально создал физик Марио Кренн (Mario Krenn) для проектирования настольных экспериментов в квантовой оптике. Сначала они предоставили ИИ все компоненты и устройства, которые можно комбинировать для построения сколь угодно сложного интерферометра. На первом этапе ИИ работал без ограничений: он мог проектировать детектор протяжённостью в сотни километров и с тысячами элементов — линз, зеркал, лазеров.

Поначалу проекты ИИ казались нелепыми. «Результаты, которые он нам выдавал, были попросту непостижимы для людей, — вспоминает Адхикари. — Слишком сложные, выглядели как какие-то инопланетные или ИИ-штуки. Человек никогда бы так не сделал: ни симметрии, ни красоты — сплошной хаос».

Исследователи смогли разобраться, как обработать результаты работы ИИ, чтобы идея была понятнее, и всё же дизайн ИИ вводил их в ступор. «Если бы мои студенты принесли мне такое, я бы сказал: “Нет-нет, это смешно”, — признаётся Адхикари. — Однако, дизайн был явно эффективным».

Потребовались месяцы, чтобы разобраться, что именно делает ИИ. Оказалось, что машина применила противоречащий здравому смыслу трюк для достижения своих целей. Она добавила дополнительное 3-километровое кольцо между основным интерферометром и детектором, чтобы свет циркулировал перед выходом из плеч интерферометра. Команда Адхикари поняла, что ИИ, вероятно, опирается на некоторые узкоспециальные теоретические принципы, которые российские физики десятилетия назад обнаружили как потенциальный способ подавления квантовомеханического шума^{[прим. пер.]}. Никто ещё не пытался проверять эти идеи экспериментально. «Крайне сложно выходить так далеко за рамки общепринятого подхода, — говорит Адхикари. — Нам явно не хватало ИИ».

«LIGO — это грандиозный проект, о котором тысячи людей размышляли на протяжении 40 лет, — отмечает Эфраим Стейнберг (Aephraim Steinberg), специалист по квантовой оптике из Торонтского университета. — Они продумали всё, что только могли, поэтому любое улучшение, вроде того, что найдено ИИ, говорит о том, что люди до него не додумались».

Хотя ИИ пока ещё не привёл к новым открытиям в физике, он становится мощным инструментом в этой области. Наряду с помощью в проектировании экспериментов, он способен находить нетривиальные закономерности в сложных данных. Например, алгоритмы ИИ сумели выявить симметрии законов природы из данных, собранных на Большом адронном коллайдере в Швейцарии. Эти симметрии не новы — они лежат в основе теорий относительности Эйнштейна, но этот результат служит демонстрацией принципиальных возможностей, доступных в будущем. Физики также использовали ИИ, чтобы найти новое уравнение для описания скопления невидимой темной материи во вселенной. «Такие находки могут нас многому научить», — говорит Адхикари.

Далеко, но вместе

В классической физике, описывающей наш повседневный мир, объекты имеют хорошо определённые свойства, не зависящие от попыток их измерить: скажем, у бильярдного шара в каждый момент времени есть конкретные положение и импульс.

В квантовом мире всё иначе. Квантовый объект описывается математической сущностью, называемой квантовым состоянием. Максимум, на что мы способны, — использовать это состояние, чтобы вычислить вероятность того, что объект окажется, например, в определённом месте, когда мы будем его там искать.

Более того, два (или больше) квантовых объекта могут разделять одно и то же квантовое состояние. Возьмём свет, состоящий из фотонов. Эти фотоны можно генерировать парами, которые «запутаны», то есть два фотона разделяют единое совместное квантовое состояние, даже если они разлетаются. Как только один из двух фотонов измерен, результат, как будто мгновенно определяет свойства другого, теперь уже далёкого, фотона.

Десятилетиями физики считали, что запутанность требует, чтобы квантовые объекты изначально находились в одном месте. Но в начале 1990-х Антон Цайлингер (Anton Zeilinger), позднее удостоенный Нобелевской премии по физике за исследования запутанности, показал, что это не всегда так. Он и коллеги предложили эксперимент, начинающийся с двух несвязанных пар запутанных фотонов: фотоны A и B запутаны друг с другом, как и фотоны C и D. Исследователи придумали хитрую экспериментальную установку, состоящую из кристаллов, расщепителей луча и детекторов, воздействующих на фотоны B и C — по одному фотону из каждой пары. В результате последовательности операций, фотоны B и C регистрируются и уничтожаются, но в качестве продукта частицы-партнёры A и D, ранее не взаимодействовавшие, оказываются запутанными. Это называется «перестановкой запутанности» (entanglement swapping) и теперь является важным строительным блоком квантовых технологий.

Так обстояли дела к 2021 году, когда команда Кренна начала проектировать новые эксперименты с помощью программного обеспечения, которое они назвали PyTheus — «Py» от языка программирования Python, а «Theus» — в честь Тесея, победившего мифического Минотавра. Команда представляла оптические эксперименты в виде математических структур, называемых графами, состоящих из узлов, соединённых линиями-рёбрами. Узлы и рёбра соответствовали различным аспектам эксперимента — расщепителям лучей, путям фотонов, факту взаимодействия двух фотонов и т. п.

Команда Кренна начала с построения очень общего графа, моделирующего пространство всех возможных экспериментов заданного размера. У графа были выходные признаки, соответствующие желаемому квантовому состоянию — скажем, чтобы из установки выходили две частицы, которые никогда не взаимодействовали, но теперь запутаны.

Вопрос заключался в том, как изменить все прочие части графа, чтобы получить это состояние. Чтобы это выяснить, исследователи сформулировали математическую функцию. Она принимала текущее состояние графа и вычисляла разницу между его выходом и требуемым квантовым состоянием. Затем они итеративно модифицировали параметры графа, соответствующие конфигурации эксперимента, чтобы свести это несоответствие к нулю.

Когда Сёрен Арльт (Soren Arlt), студент Кренна, попытался с помощью такого подхода найти наилучший способ перестановки запутанности, он обнаружил, что конфигурация эксперимента неузнаваема — вовсе не похожа на схему Цайлингера 1993 года. «Когда он показал мне это, мы растерялись, — вспоминает Кренн. — Я был уверен, что там ошибка».

Алгоритм оптимизации позаимствовал идеи из другой области — интерференции многих фотонов. Так он предложил более простую конфигурацию, чем у Цайлингера. Команда Кренна затем провела отдельный математический анализ итогового дизайна, подтвердивший, что новая установка действительно создаёт запутанность между частицами без общей предыстории.

В декабре 2024 года команда в Китае под руководством Сяо-Суна Ма (Xiao-Song Ma) из Нанкинского университета построила реальный эксперимент и подтвердила его работоспособность.

Поиск скрытой формулы

Проектирование экспериментов — не единственный способ применения ИИ в физике. Его также используют для анализа результатов эксперименталов.

«Это примерно как обучать ребёнка первым словам, — говорит Кайл Кранмер (Kyle Cranmer), физик из Университета Висконсин–Мэдисон о зарождающихся попытках использовать ИИ в физике. — Нам приходится много нянчиться». И всё же модели машинного обучения, обученные на реальных и имитационных данных, обнаруживают закономерности, которые иначе могли бы остаться незамеченными.

Например, Кранмер и его соавторы использовали модель машинного обучения, чтобы прогнозировать плотность сгустков тёмной материи во Вселенной на основе наблюдаемых свойств соседних сгустков. Такие расчёты необходимы для понимания роста галактик и скоплений галактик. Система вывела формулу для описания плотности сгустков тёмной материи, которая лучше согласуется с данными, чем созданная людьми. Уравнение ИИ «очень хорошо описывает данные, — говорит Кранмер. — Но ему не хватает описания того, как к нему прийти».

Иногда достаточно доказательства принципиальной возможности — показать, что ИИ способен заново открыть вещи, уже известные людям.

Роуз Ю и её коллеги обучали модели машинного обучения находить симметрии в данных. Симметрия означает, что данные остаются неизменными или меняются предсказуемо и просто при некотором преобразовании. Например, круг обладает вращательной симметрией — он инвариантен относительно поворота. Ю и её команда применили свой метод к данным Большого адронного коллайдера и выявили так называемые симметрии Лоренца, которые критически важны для теорий относительности Эйнштейна. Речь идёт о смене системы отсчёта, при которой соответствующие законы физики остаются неизменными. Например, скорость рождения пар частиц в коллайдере не должна зависеть от времени суток: если бы она менялась, это указывало бы на зависимость от вращения Земли и, следовательно, на привилегированное направление в пространстве-времени. «Мы показали, что даже ничего не зная о физике, модель может обнаружить лоренцеву симметрию исключительно по самим данным», — говорит Ю.

Кранмер и Ю отмечают, что хотя такие методы хорошо обнаруживают закономерности, осмысление этих закономерностей и выдвижение гипотез (физики, их объясняющей), остаётся для современных моделей ИИ трудной задачей. Но Кранмер считает, что появление крупных языковых моделей, таких как ChatGPT, может это изменить. «Я думаю, у языковых моделей огромный потенциал — помочь автоматизировать построение гипотез, — говорит он. — Это уже не за горами».

Стейнберг согласен: хотя ИИ ещё не придумал новых концепций, открытия новой физики при участии ИИ вполне могут стать реальностью. «Похоже, мы действительно можем перешагнуть этот порог — и это захватывает», — говорит он.

Источник: Wired
Оригинал: Quanta Magazine.
Также на эту тему на Хабре: ИИ создаёт необычные микросхемы беспроводной связи, работающие лучше человеческих

Примечание переводчика: мне стало интересно, о каких именно российских (русских) физиках идёт речь и предположительно это Владимир Брагинский c коллегами, принимавший участие в разработке LIGO и предсказавший ряд новых физических эффектов: «спин-квадрупольный гравитационный эффект (1980), трение, порождаемое нулевыми колебаниями вакуума (1991), фундаментальные термоупругие и терморефрактивные флуктуации (1999, 2000), параметрическую нестабильность в высокодобротных оптических резонаторах (2001)» (цитата по Википедии).

Также я уточнил у нейросети Gemini 2.5, прочитавшей основную работу по этой теме, как именно происходил поиск решения и потом бегло проверил по PDF. Искусственный интеллект Urania создавал тысячи вариантов конструкций гравитационно-волнового детектора, меняя расположение зеркал, лазеров и их параметры (прозрачность, длину плеч и т.д.). Каждый такой проект тестировался в Finesse — это не нейросеть, а стандартный физический симулятор, который точно рассчитывал чувствительность схемы с учётом всех квантовых шумов. Выбор лучшего варианта определялся целевой функцией: ИИ стремился к максимальной чувствительности, но получал штрафы за нереалистичные решения, например, за слишком высокую мощность лазера, способную повредить оптику. Таким образом, алгоритм систематически искал самую эффективную и при этом физически осуществимую конструкцию. На решение было затрачено 1.5 миллиона часов процессорного времени (указано CPU).

Также нужно отметить, что хотя и автор статьи, и авторы исходной работы использует термин ИИ, основной "мозг" системы, алгоритм Urania, не является нейросетью. В статье он описывается как "параллельный гибридный локально-глобальный оптимизатор" (parallelized hybrid local-global optimizer) и использует градиенты и эвристику для поиска решения и чтобы не застревать в локальных минимумах.