Пока наиболее известные модели ИИ — от ChatGPT до генераторов изображений — обучаются в первую очередь на текстах и визуальных данных, исследователи из коллаборации Polymathic AI предлагают альтернативную парадигму: фундаментальные модели, обученные непосредственно на физических процессах.
Эти системы уже демонстрируют способность переносить знания между, казалось бы, несвязанными научными областями — от астрофизики до гидродинамики и биофизики — и тем самым ускорять научные открытия.
ИИ, обученный законам природы
Междисциплинарная команда, в которую входят исследователи из Кембриджского университета, разрабатывает модели ИИ, обучаемые не языковым паттернам, а реальным научным данным и физическим закономерностям.
Недавно Polymathic AI представила две такие фундаментальные модели:
- Walrus — модель для жидкостных и жидкоподобных систем;
- AION-1 — модель, ориентированную на астрономические наблюдения.
Обе системы способны использовать знания, полученные в одном классе физических явлений, для решения принципиально иных задач — при условии, что их объединяет общая физика.
Фундаментальные модели вместо узкоспециализированных
Walrus и AION-1 относятся к классу foundation models — моделей, обученных на колоссальных массивах данных из множества экспериментов и наблюдений, а не под конкретную задачу.
В отличие от традиционного научного ИИ, который:
- либо жёстко привязан к одной области
- либо строится вокруг заранее заданных уравнений
фундаментальные модели усваивают сами физические процессы, лежащие в основе наблюдаемых явлений. Поскольку эти процессы универсальны, модель может применять усвоенные закономерности в новых контекстах.
По словам ведущего разработчика Walrus Майкла Маккейба, такой подход особенно ценен в условиях ограниченных данных и ресурсов:
«Возможно, вы сталкиваетесь с новой физикой, с которой вы просто не привыкли работать, и у вас нет времени тестировать десятки специализированных моделей. Мы хотим, чтобы одна обученная на широком классе физики модель была проще в использовании и лучше обобщала знания».
Walrus был представлен в препринте на arXiv, а AION-1 — на конференции NeurIPS в Сан-Диего.
AION-1: фундаментальная модель Вселенной
Модель AION-1 обучается на крупнейших астрономических обзорах, включая:
- Sloan Digital Sky Survey (SDSS)
- Gaia
которые суммарно содержат более 200 миллионов наблюдений звёзд, квазаров и галактик, и порядка 100 Тбайт данных.
AION-1 анализирует изображения, спектры и дополнительные параметры, формируя обобщённое представление о физических свойствах астрономических объектов. В результате, даже при работе с низкокачественными или неполными наблюдениями, модель способна восстанавливать информацию, опираясь на физику миллионов ранее изученных объектов.
Walrus: единая модель для гидродинамики
Walrus ориентирован на жидкости и жидкоподобные системы. Он обучается на The Well — специализированном датасете Polymathic AI, который охватывает:
- 19 физических сценариев
- 63 поддомена гидродинамики
- около 15 Тбайт данных
Набор включает параметры плотности, скорости и давления для систем, варьирующихся от:
- слияний нейтронных звёзд
- акустических волн
- атмосферных процессов Земли
- до движения бактерий и распространения Wi-Fi-сигналов
«Меня до сих пор поражает, что мультидисциплинарная фундаментальная модель физики вообще работает — не говоря уже о том, насколько хорошо работает», — отметил Майлз Кранмер, исследователь кафедры прикладной математики и теоретической физики Кембриджа.
Шаг к универсальному ИИ для физического моделирования
По словам Пайел Мукхопадхай из Кембриджского института астрономии, Walrus выглядит как важный этап на пути к универсальному ИИ в науке:
«Это шаг к единой базовой модели для физического моделирования, которую можно адаптировать к множеству научных задач, вместо того чтобы каждый раз обучать новую систему с нуля».
Важно, что код и данные Walrus открыты, что позволяет научному сообществу развивать модель дальше.
Обучение через «ощущения» и эксперименты
Исследователи сравнивают подход Polymathic AI с работой человеческих чувств. Мозг формирует целостную картину мира, объединяя зрение, вкус, запах и слух — и способен восполнять недостающую информацию, если одно из чувств недоступно.
Аналогично, фундаментальные модели используют знания о физике из одних наблюдений, чтобы интерпретировать новые эксперименты или данные.
«Это как встретить нового человека, уже познакомившись с тысячами других», — поясняет Ширли Хо, главный исследователь Polymathic AI. — «Ты интуитивно понимаешь, чем он похож и чем отличается».
Инструменты для повседневной науки
Ключевая цель проекта — не демонстрация ИИ-возможностей, а создание практических инструментов для учёных.
Фундаментальные модели позволяют:
- начинать исследования с уже обученной системы
- быстрее анализировать данные
- достигать высокой точности без построения сложных вычислительных конвейеров с нуля
«Наше видение — дать учёным мощную отправную точку, которую можно дообучить под свои данные и сразу получить передовой результат», — отметил Лиам Паркер из Калифорнийского университета в Беркли.
Сдвиг парадигмы
Подход Polymathic AI указывает на более широкий тренд: смещение ИИ в науке от языковых моделей к моделям, понимающим физическую реальность.
Если эта стратегия масштабируется, фундаментальные физические модели могут стать таким же базовым инструментом для учёных, как сегодня — численные симуляции и аналитические методы, существенно ускорив путь от экспериментов и наблюдений к открытиям.
Источник: https://techxplore.com/news/2026-01-foundation-ai-physics-words-scientific.html
Больше интересного – на медиапортале https://www.cta.ru/