Искусственный интеллект придумал эксперимент, который физики не смогли объяснить
Алгоритмы уже проектируют физические эксперименты, которые превосходят созданные людьми схемы, а принцип работы некоторых находок трудно объяснить даже специалистам. Международная группа физиков собрала такие результаты в обзоре, опубликованном 2 сентября в Nature, и пришла к выводу, что искусственный интеллект (ИИ) постепенно переходит от настройки параметров к самостоятельному поиску совершенно новых экспериментальных установок.
Речь не об одной новой нейросети и не об отдельном лабораторном эксперименте. Авторы проанализировали работы по квантовой оптике, детекторам частиц, термоядерным установкам, микроскопии и поиску гравитационных волн. В ряде задач алгоритмы находили конфигурации, которые противоречили привычной инженерной интуиции, но по расчётам давали лучшие результаты, чем конструкции специалистов.
Самая необычная часть работы связана не столько с качеством найденных решений, сколько с их понятностью. Профессор Тюбингенского университета Марио Кренн рассказал, что некоторые компьютерные проекты удаётся быстро разобрать и понять, почему новая схема эффективнее. Но встречаются установки, для которых физики могут математически подтвердить преимущество, однако не способны внятно объяснить, почему именно выбранная комбинация компонентов работает настолько хорошо.
Подобный ИИ мало похож на ChatGPT и другие большие языковые модели. Алгоритм получает набор доступных компонентов, физические уравнения, ограничения и цель, после чего рассматривает эксперимент как огромную задачу оптимизации, то есть фактически является специализированной нейросетью. Например, компьютер может перебирать способы расположения зеркал, лазеров, детекторов и других элементов, рассчитывать поведение каждой конструкции в симуляторе и постепенно искать наиболее эффективный вариант.
Кренн столкнулся с возможностями такого подхода ещё во время работы над квантовым экспериментом в Вене. Исследовательская группа не могла придумать установку, которая создавала бы нужный квантовый эффект, поэтому Кренн математически описал доступные компоненты и поручил компьютеру перебрать комбинации. После ночи вычислений программа нашла вариант, который удовлетворял требованиям задачи, хотя физики до него не додумались.
Из этой работы вырос алгоритм Melvin, представленный Кренном и коллегами в 2016 году. Melvin автоматически проектировал квантово-оптические эксперименты и находил необычные асимметричные схемы для создания сложных квантовых состояний. Некоторые предложенные компьютером конструкции впоследствии собрали в лабораториях. В подобных установках важную роль играет квантовая запутанность, поведение которой часто плохо согласуется с человеческой интуицией.
За десять лет методы автоматического проектирования вышли далеко за пределы квантовой оптики. В 2025 году Кренн, Йехонатан Дрори и Рана Адхикари применили вычислительный поиск к детекторам гравитационных волн. Алгоритм исследовал огромное пространство возможных интерферометров и нашёл более 50 конструкций, которые в моделировании превосходили проекты детекторов следующего поколения при реалистичных экспериментальных ограничениях.
Другие группы уже применяют машинное обучение для оптимизации будущих детекторов частиц, антенн для регистрации нейтрино, сверхпроводящих квантовых схем и стеллараторов для термоядерного синтеза. В электронной микроскопии ИИ может искать конфигурации, которые используют квантовые эффекты непривычным для человека способом. Руководитель Центра электронной микроскопии Венского технического университета Филипп Хаслингер считает, что ограниченная человеческая интуиция в таких областях как раз делает автоматический поиск особенно полезным.
Авторы обзора предлагают двигаться к универсальным физическим симуляторам, способным принимать фундаментальные уравнения, набор оборудования и научную цель, а затем самостоятельно проектировать эксперимент. Для подобной системы потребуется не просто перебрать параметры вроде расстояния между двумя зеркалами, а выбирать сами компоненты, их количество, порядок и связи между ними.
Полностью отдавать науку машине исследователи пока не предлагают. Человек по-прежнему должен сформулировать вопрос, задать критерий успеха и ограничения по стоимости, энергии, размерам и безопасности, а затем проверить найденную конструкцию в реальном эксперименте. Главная перемена происходит на промежуточном этапе, где раньше физики полагались прежде всего на опыт и интуицию. Теперь компьютер способен исследовать миллионы непривычных вариантов и иногда находить среди них решения, которые работают лучше человеческих, даже если причина превосходства становится понятна не сразу.