В последнее время у всех на слуху ChatGPT и другие большие языковые модели (LLM). Всем хочется знать, каковы перспективы машинного обучения, когда искусственный интеллект превзойдёт человека в той или иной области и у кого отнимет работу. Однако спросите настоящих теоретических физиков, используют ли они искусственный интеллект, и они удивятся. Потому что для них ИИ – это то, что использовалось задолго до всеобщего хайпа, ещё сорок лет назад.
Машинное обучение и физика
Уже в середине восьмидесятых годов XX столетия физики, работающие в статистической механике – области, связанной с взаимодействием большого количества частиц, – занимались машинным обучением для решения задач, связанных с поведением магнитов с неупорядоченной намагниченностью, так называемых “спиновых стёкол”. Физики элементарных частиц также были в авангарде машинного обучения: первый семинар по искусственному интеллекту в физике высоких энергий и ядерной физике был проведен еще в 1990 году.
Но что же изменилось с того времени? Ключевое отличие сегодняшнего машинного обучения от него же тридцатилетней давности – это технические возможности. Сегодня большие компьютерные кластеры с огромной вычислительной мощностью позволяют применять машинное обучение ко многим физическим системам. Это означает, что оно всё чаще используется для анализа больших наборов данных, включающих поведение систем, свойства материалов и прогнозы. Но в чём конкретно ИИ может помочь физикам?
Анализ данных
Анализ данных — наиболее широко известное применение машинного обучения. Нейронные сети можно научить распознавать определенные закономерности, а также научиться находить новые закономерности самостоятельно. В физике это используется при анализе изображений, например, в астрофизике, физике элементарных частиц или анализе динамики плазмы.
Генерация и моделирование
Машинное обучение помогает моделировать физические системы, ускоряя существующие вычисления и позволяя создавать новые типы. Например, моделирование формирования галактик занимает много времени даже на суперкомпьютерах нынешнего поколения. Однако нейронные сети могут научиться запускать симуляции на небольших вычислительных мощностях. Так, этим методом сравнивалось количество темной материи с количеством видимой материи в галактиках. Нейронные сети также использовались для реконструкции того, что происходит, когда космические лучи попадают в атмосферу, или того, как элементарные частицы распределяются внутри составных частиц.
Исследование моделей Машинное обучение применяется для лучшего исследования свойств известных теорий, которые не поддаются анализу математическими методами, или для ускорения вычислений. Например, атомная структура материалов в принципе известна. Однако многие расчёты, необходимые для практической реализации теории, настолько обширны, что превысили вычислительные ресурсы. Машинное обучение начинает менять ситуацию. Многие надеются, что однажды это позволит физикам найти материалы, обладающие сверхпроводимостью при комнатной температуре.
Можно ожидать, что в ближайшее время ИИ или машинное обучение станет рутинным инструментом для каждого профессионального физика – точно таким же, как векторное исчисление или дифференциальная геометрия. А теперешние прогнозы будут выглядеть так же забавно, как сейчас выглядят прогнозы сороковых годов об использовании ЭВМ в науке.
Смотрите новые видео на youtube.com/@PhysFromPobed
Приобретайте наши конструкторы на fizikits.ru