Гамильтон, о котором не пишут в хайповых СМИ, а без него не было бы ни квантовых компьютеров, ни современного ML
Имя Уильяма Роуэна Гамильтона редко стоит рядом с Ньютоном и Эйнштейном в популярных подборках, но именно его математика стала рабочим языком всей современной физики и значительной части data science. Если вы когда-нибудь обучали нейросеть, моделировали динамическую систему или хотя бы запускали Hamiltonian Monte Carlo в Stan или PyMC, вы пользовались идеями, заложенными Гамильтоном почти двести лет назад.
В начале 1800-х механика жила по законам Ньютона. Они работали, но на практике быстро становились громоздкими: связанные тела, нестандартные системы координат, ограничения на движение. Гамильтон предложил другую оптику. Вместо того чтобы каждый раз расписывать силы, он перешёл к описанию системы через обобщённые координаты и одну ключевую функцию, которую сегодня называют гамильтонианом.
Гамильтониан это полная энергия системы, кинетическая плюс потенциальная. Из него выводятся уравнения движения, которые показывают, как одновременно меняются положение и импульс. Эта формулировка унифицировала механику, оптику и небесную динамику, а главное, оказалась пригодной для гораздо большего, чем рассчёты планет и маятников.
Через сто лет физики обнаружили, что именно гамильтонов формализм идеально ложится на квантовую механику. Уравнение Шрёдингера, на котором стоит вся квантовая физика, выводится напрямую из идей Гамильтона. По сути, любой современный кубит, любой разговор про квантовое превосходство и любая статья по quantum machine learning опирается на гамильтониан как на базовую конструкцию.
Для инженеров и AI-специалистов это не просто красивая историческая справка. Гамильтонова механика стоит за целым семейством инструментов, которые сегодня в продакшене. Hamiltonian Monte Carlo лежит в основе многих современных байесовских фреймворков и активно используется для обучения вероятностных моделей. Hamiltonian Neural Networks учат сеть сохранять физические инварианты, что критично в задачах симуляции и робототехники. Symplectic integrators применяются там, где нужно стабильно прогонять долгие траектории, от молекулярной динамики до обучения с подкреплением.
Главный урок здесь не математический, а методологический. Гамильтон не пытался опровергнуть Ньютона, он переформулировал ту же физику так, чтобы с ней было удобно работать в новых контекстах. Ровно это сегодня делают сильные ML-инженеры, когда берут хорошо известную задачу и переписывают её в терминах, которые лучше ложатся на современное железо и алгоритмы. Гамильтон, по сути, дал нам шаблон: правильная переформулировка важнее новой теории.
