Исследователи из Королевского колледжа Лондона применили методы машинного обучения для решения фундаментальных уравнений теории струн, которые ранее считались неразрешимыми. Использование ИИ позволило ученым вычислить параметры вакуумных состояний, что открывает путь к экспериментальной проверке теории, десятилетиями остававшейся исключительно математической моделью без возможности эмпирического подтверждения в физических лабораториях.
Теория струн предполагает существование дополнительных пространственных измерений, свернутых в микроскопические формы, известные как многообразия Калаби-Яу. Количество возможных конфигураций этих форм настолько огромно, что их анализ традиционными вычислительными методами занимал бы тысячи лет. Нейронные сети позволили автоматизировать поиск решений, эффективно классифицируя геометрию пространств и выявляя те из них, которые соответствуют физическим законам нашей Вселенной.
Этот прорыв меняет подход к теоретической физике, превращая поиск ответов на вопросы о строении материи из чисто умозрительного процесса в задачу вычислительной оптимизации. ИИ не просто ускоряет расчеты, а находит закономерности в ландшафте теории струн, которые ранее ускользали от внимания физиков-теоретиков, работавших вручную.
Ключевые факты
- Исследование проведено учеными Королевского колледжа Лондона (King’s College London).
- ИИ использовался для анализа многообразий Калаби-Яу, описывающих скрытые измерения в теории струн.
- Алгоритмы машинного обучения сократили время поиска физически значимых решений с десятилетий до нескольких дней.
- Метод позволяет сопоставить теоретические предсказания с данными, полученными в ходе высокоэнергетических физических экспериментов.
- Работа подтверждает эффективность нейронных сетей в решении задач символьной математики и теоретической физики высоких энергий.