Физика не нуждается в спасении, но никто не спрашивал её мнения — потому что на сцену вышли нейросети, и теперь каждый второй препринт на arXiv обещает «революцию в понимании природы».
Нейросеть против уравнения: кто кого?
Всё началось, как водится, с пресс-релиза. Где-то в 2020-м лаборатория с красивым сайтом объявила, что их искусственный интеллект «решил» задачу турбулентности — ту самую, что занимает умы физиков с XIX века и которую Нобелевский комитет терпеливо ждёт как повода для очередной премии. Медиа подхватили, Twitter взорвался, в Zoom-конференциях началось ликование. И только в подвальной строчке скромного PDF было написано: «при некоторых упрощающих граничных условиях и в режиме малых чисел Рейнольдса».
Добро пожаловать в эпоху ИИ-вошизма в фундаментальных науках — явления, при котором нейросеть, умеющая аппроксимировать функцию на обучающей выборке, немедленно провозглашается «решением» задачи, над которой человечество билось столетиями. Здесь важно различать два совершенно разных вопроса: «умеет ли модель предсказывать что-то полезное?» и «понимает ли она физику?» Ответы на них, мягко говоря, расходятся — как разбегаются галактики во вселенной, равнодушной к нашим пресс-релизам.
Особенно показательна история с так называемым «закрытием проблемы Навье-Стокса». За последние пять лет этот заголовок появлялся в СМИ не менее дюжины раз. Каждый раз — новая нейросеть, новый институт, новый инвестиционный раунд. И каждый раз математики, прочитавшие статью до конца, грустно закрывали вкладку браузера.
Что такое PINN — и почему это не магия
Физически-информированные нейронные сети(Physics-Informed Neural Networks, сокращённо PINN) — штука и впрямь изящная. Идея родилась в конце 2010-х: вместо того чтобы тупо натаскивать нейросеть на данных, давайте «вошьём» в функцию потерь само дифференциальное уравнение. Пусть сеть учится не просто подгонять точки, а уважать физические законы. Звучит красиво — почти как воспитание нравственного ИИ.
Технически это работает так: к стандартной функции потерь добавляется член, штрафующий модель за нарушение, скажем, уравнения теплопроводности или уравнения Шрёдингера. Сеть «знает», что решение должно удовлетворять некоторому дифференциальному уравнению в частных производных — и это действительно помогает. В отдельных задачах PINN обгоняют классические численные методы по скорости, хорошо справляются с обратными задачами, где данных мало, а физика должна компенсировать информационный дефицит.
Но вот тут-то и начинается цирк. Потому что «работает в отдельных задачах» в пресс-службах превращается в «революционный прорыв для всей физики», а «быстрее численного метода на этом конкретном GPU» — в «заменяет суперкомпьютеры». Масштабируемость, сходимость для жёстких уравнений, поведение в хаотических системах — всё это за кадром. В кадре — красивые анимации и инвестиционные раунды.
Триумфы и провалы: где PINN блистают, а где садятся в лужу
Справедливости ради — PINN действительно показали себя неплохо в ряде прикладных задач. Обратные задачи идентификации параметров уравнений по экспериментальным данным — их конёк. Медицинская физика, гидродинамика сосудов, задачи переноса тепла в микросхемах — здесь нейросети реально ускоряют процесс и порой дают результаты, сопоставимые с классическими методами конечных элементов.
Но стоит чуть выйти за рамки уютных, хорошо обусловленных задач — и начинается катастрофа. Возьмём жёсткие дифференциальные уравнения с несколькими временны́ми масштабами: PINN здесь либо не сходятся вовсе, либо требуют настолько тщательной ручной подстройки гиперпараметров, что быстрее было бы написать код на Fortran 77. Турбулентность при высоких числах Рейнольдса — отдельная боль: сеть красиво аппроксимирует среднее поле скоростей, игнорируя всю физику каскадного переноса энергии, ради которой, собственно, задача и интересна.
Нейросеть, обученная на уравнении теплопроводности, не «понимает» тепло — она запомнила форму кривой. Разница примерно такая же, как между хирургом и человеком, который посмотрел пять сезонов «Доктора Хауса».
Проблема экстраполяции — ещё один скелет в шкафу. Классический численный решатель, построенный на уравнениях Максвелла, будет работать в любом физически корректном режиме. PINN, обученный на примерах из одного диапазона параметров, за его пределами ведёт себя как студент на экзамене, у которого кончились шпаргалки. Уверенно. Неправильно.
Фабрика хайпа: кто раздувает пузырь и зачем
Было бы наивно искать злодея в одном месте. Машина работает слаженно, как хорошо смазанный пузырь венчурного капитала. Грантовые агентства хотят видеть «трансформативные технологии» — и получают их в заявках. Журналы с высоким импакт-фактором охотятся за громкими результатами — и публикуют «прорывы» с оговорками в разделе Limitations, который мало кто читает. Стартапы привлекают инвестиции под обещания «ИИ для фундаментальной физики» — и получают миллионы от людей, которые слышали слово «нейросеть» и слово «физика», и решили, что их сочетание стоит денег.
Отдельная история — препринтная культура. arXiv — великое изобретение, давшее науке скорость. Но скорость без фильтрации рождает информационный шум, в котором «мы обучили PINN на задаче Пуассона и получили MAE=0.003» соседствует с «нейросеть решила одну из задач тысячелетия». Оба препринта выглядят одинаково: PDF с LaTeX-формулами и графиками. Журналист, заглядывающий на arXiv за сенсацией, не обязан разбираться в разнице — и чаще всего не разбирается.
Добавьте сюда академический карьеризм: молодой исследователь, подающий грант, прекрасно знает, что заявка с «глубоким обучением» получит в 2026 году лучшее рассмотрение, чем заявка с «усовершенствованным методом Галёркина». Слова решают судьбы финансирования — и это порождает терминологическую инфляцию, при которой любая нейросеть, прикоснувшаяся к физическому уравнению, моментально становится «физически-информированной революцией».
Физики наносят ответный удар
Хорошая новость: физическое сообщество не безмолвствует. За последние два-три года в ведущих журналах — Physical Review Letters, Journal of Computational Physics — вышел целый корпус работ, методично разбирающих претензии PINN-евангелистов. Исследователи из MIT, ETH Zürich и Caltech публикуют бенчмарки, в которых нейросети сравниваются с классическими методами на одних и тех же задачах — и результаты порой весьма неловкие для адептов ИИ.
Особенно показательна дискуссия вокруг понятия «обобщение» в контексте физических задач. В машинном обучении обобщение — это способность модели правильно работать на новых данных из того же распределения. В физике нас интересует принципиально иное: универсальность законов, работающих при любых условиях. Инвариантность относительно симметрий, сохранение энергии, причинность — эти свойства нейросеть не выводит, она их в лучшем случае имитирует в обученном диапазоне.
Среди критиков звучат и более радикальные голоса: некоторые теоретики указывают, что само понятие «физически-информированная» нейросеть — маркетинговый оксюморон. Физика информирует уравнение, а не сеть. Сеть — лишь параметрическая функция, минимизирующая невязку. Разница кажется академической — но именно она определяет, можем ли мы доверять модели за пределами её обучающих данных.
Куда всё это катится
Самое тревожное в этой истории — не то, что нейросети переоценены. Переоценены были и квантовые компьютеры, и нанотехнологии, и геномика — и ничего, наука устояла. Тревожит другое: хайп искажает распределение ресурсов. Пока миллиарды долларов и тысячи умных людей вливаются в «решение физики с помощью ИИ», классические численные методы — метод конечных элементов, спектральные методы, многосеточные алгоритмы — недофинансируются и воспринимаются как «скучная старая математика».
Между тем именно эти методы — с их строгими гарантиями сходимости, теоремами существования и единственности, анализом ошибок — обеспечивают реальный прогресс в аэродинамике, ядерной физике, климатическом моделировании. Они не генерируют вирусных пресс-релизов. Они просто работают.
Если нынешний пузырь лопнет — а пузыри всегда лопаются — есть риск маятникового эффекта: разочарование публики в «ИИ для науки» накроет и реально перспективные направления вместе с откровенно мошеннической шелухой. Это было бы обидно, потому что разумно применённое машинное обучение в физике — суррогатные модели, ускорение молекулярной динамики, анализ данных коллайдеров — реально полезно. Просто не так экзистенциально, как нам продают.
Вместо эпитафии физике
Физика жива. Более того — она в прекрасной форме и не нуждается в реанимации нейросетями. Квантовые вычисления, топологические фазы материи, гравитационно-волновая астрономия — всё это развивается, и развивается благодаря старой доброй математической строгости в связке с экспериментом. ИИ — инструмент, и хороший инструмент, когда его применяют с пониманием его ограничений. Беда начинается там, где инструмент объявляют мессией.
В конечном счёте вопрос не в том, умнее ли нейросеть Максвелла. Вопрос в том, достаточно ли мы умны, чтобы не путать «умеет предсказывать» с «понимает». Потому что физика — это не про предсказания. Это про понимание. А понимание, к сожалению или к счастью, пока остаётся нашим исключительным занятием. Платным, медленным и невероятно неудобным для пресс-релизов.