ИИ за сутки победил протонный шум, над которым бились 20 лет. Назло физикам LIGO
NewsMakerБлагодаря новому алгоритму мы можем слышать Вселенную в разы лучше…
В мире точных измерений едва ли найдётся инструмент более чувствительный, чем интерферометрическая обсерватория гравитационных волн LIGO. В её основе — два гигантских детектора, расположенных в Хэнфорде (штат Вашингтон) и Ливингстоне (штат Луизиана). Каждый представляет собой массивную конструкцию в форме буквы «L», где лазерные лучи многократно отражаются между зеркалами по четырёхкилометровым рукавам. Когда через установку проходит гравитационная волна — пространственно-временное возмущение, вызванное катастрофическими событиями вроде слияния чёрных дыр — длина одного из плеч на ничтожную долю изменяется по сравнению с другим. Масштаб этих изменений — менее ширины протона. Для сравнения: это примерно как заметить, что расстояние до Альфы Центавра стало меньше на толщину человеческого волоса.
Чтобы добиться такой чувствительности, инженеры и физики десятилетиями доводили каждый элемент конструкции до предела возможного. Строительство LIGO стартовало в 1994 году, но лишь в 2015-м, после многолетней доработки и полной модернизации, было зарегистрировано первое прямое доказательство существования гравитационных волн — сигнал от столкновения двух далёких чёрных дыр.
Одним из ключевых участников оптимизации системы в 2000-х годах был физик Рана Адхикари из Калифорнийского технологического института. Его команда исследовала пределы, наложенные как законами физики, так и инженерными ограничениями, чтобы извлечь максимум из существующего дизайна. Однако после первого успеха LIGO Адхикари задался вопросом: можно ли модернизировать детектор, чтобы он улавливал сигналы в более широком диапазоне частот? Это позволило бы фиксировать не только стандартные слияния чёрных дыр, но и совершенно неожиданные, пока не описанные явления.
В поисках новых решений он обратился к ИИ. Конкретно — к программному обеспечению, изначально разработанному физиком Марио Кренном для автоматизированного проектирования оптических экспериментов в области квантовой оптики . Адхикари и его коллеги предоставили системе каталог всех допустимых оптических компонентов — зеркал, линз, лазеров, детекторов — и разрешили ей конфигурировать детектор произвольной сложности. Алгоритм начинал с полной свободы: он мог «построить» схему с сотнями километров оптических путей и тысячами элементов.
Первые версии дизайнов выглядели пугающе. Они напоминали хаотичные конструкции без симметрии, визуальной эстетики или даже элементарной логики. «Это было нечто совершенно инопланетное», — вспоминает Адхикари. Однако, очистив выводы ИИ от избыточной сложности и структурировав схемы, исследователи обнаружили, что в этих странных конфигурациях скрыта физическая эффективность. Алгоритм предложил добавить в систему дополнительное кольцо длиной три километра между интерферометром и выходным каналом, по которому циркулировал бы лазерный свет перед регистрацией. Это новшество оказалось практически неизвестным ранее и, по всей видимости, базировалось на малораспространённой теоретической идее, впервые описанной в России в XX веке, согласно которой можно уменьшить квантовый шум считывания. Экспериментально эту концепцию никто не реализовывал.
По словам Адхикари, если бы такая схема была известна во времена строительства LIGO, чувствительность детектора могла бы быть на 10–15% выше. В условиях, где учёт субпротонных изменений — основа всей работы, это колоссальный скачок.
Как подчеркнул профессор из Университета Торонто Эфраим Стейнберг, который занимается квантовой оптикой, сама возможность того, что ИИ смог предложить жизнеспособное решение, ускользнувшее от тысяч учёных за десятилетия, — уже прорыв. Пока ИИ не изобрёл новой физики, но он уже начинает находить закономерности, ранее доступные лишь немногим.
В то же время ИИ помогает не только в проектировании установок. Его начали активно использовать и в интерпретации экспериментальных данных . К примеру, команда физика Кайла Кранмера из Университета Висконсина-Мэдисона использовала ИИ для предсказания плотности тёмной материи в определённых участках Вселенной. Алгоритм, натренированный на синтетических и реальных астрономических данных, вывел уравнение, которое более точно описывает поведение скоплений тёмной материи, чем ранее предложенные людьми модели. «Уравнение действительно хорошо описывает наблюдаемую картину, но мы пока не понимаем, откуда оно берётся», — признаёт Кранмер.
Другой важный пример — работа учёной Роуз Ю из Университета Калифорнии в Сан-Диего. Её команда обучила модели машинного обучения выявлять симметрии в данных с Большого адронного коллайдера (БАК). Речь идёт о фундаментальных симметриях — например, преобразованиях Лоренца, лежащих в основе теории относительности Эйнштейна. Алгоритмы, ничего не зная о физике, смогли обнаружить, что данные БАК инвариантны относительно вращений и преобразований в пространстве-времени — точно так же, как предсказывают законы природы.
В квантовой механике, где объекты описываются не траекториями, а волновыми функциями, такие симметрии играют центральную роль. Один из классических примеров — квантовая запутанность . Это явление, при котором два фотона, рожденные в одной системе, могут мгновенно определять состояние друг друга, даже находясь на расстоянии. Ранее считалось, что запутанность возможна только между частицами, которые имели общий источник. Но в 1993 году физик и будущий Нобелевский лауреат Антон Цайлингер с коллегами описал эксперимент, в котором частицы, ранее не взаимодействовавшие, становятся запутанными. Это стало основой технологии «перестановки запутанности» (entanglement swapping).
В 2021 году команда Кренна, используя свой ИИ PyTheus, попыталась найти оптимальный способ реализации этого явления. Вместо того чтобы воссоздать схему Цайлингера, алгоритм предложил совершенно иную конструкцию на базе многофотонной интерференции — более простую и эффективную. После математической проверки оказалось, что новая схема действительно работает. В декабре 2024 года физики из университета в Нанкине (Китай) собрали экспериментальную установку и подтвердили её работоспособность.
Таким образом, ИИ не только дополняет человеческие знания, но и начинает предлагать нетривиальные пути решения задач, порой превосходящие классические подходы. Пока он не способен объяснить, почему решения работают, — именно это остаётся задачей для человека. Но, как считают учёные вроде Кранмера, с появлением языковых моделей вроде ChatGPT может наступить новая эра — когда ИИ начнёт не просто находить закономерности, но и генерировать гипотезы, объясняющие их. И, как подчёркивает Стейнберг, мы, возможно, находимся прямо на пороге этой революции.
В мире точных измерений едва ли найдётся инструмент более чувствительный, чем интерферометрическая обсерватория гравитационных волн LIGO. В её основе — два гигантских детектора, расположенных в Хэнфорде (штат Вашингтон) и Ливингстоне (штат Луизиана). Каждый представляет собой массивную конструкцию в форме буквы «L», где лазерные лучи многократно отражаются между зеркалами по четырёхкилометровым рукавам. Когда через установку проходит гравитационная волна — пространственно-временное возмущение, вызванное катастрофическими событиями вроде слияния чёрных дыр — длина одного из плеч на ничтожную долю изменяется по сравнению с другим. Масштаб этих изменений — менее ширины протона. Для сравнения: это примерно как заметить, что расстояние до Альфы Центавра стало меньше на толщину человеческого волоса.
Чтобы добиться такой чувствительности, инженеры и физики десятилетиями доводили каждый элемент конструкции до предела возможного. Строительство LIGO стартовало в 1994 году, но лишь в 2015-м, после многолетней доработки и полной модернизации, было зарегистрировано первое прямое доказательство существования гравитационных волн — сигнал от столкновения двух далёких чёрных дыр.
Одним из ключевых участников оптимизации системы в 2000-х годах был физик Рана Адхикари из Калифорнийского технологического института. Его команда исследовала пределы, наложенные как законами физики, так и инженерными ограничениями, чтобы извлечь максимум из существующего дизайна. Однако после первого успеха LIGO Адхикари задался вопросом: можно ли модернизировать детектор, чтобы он улавливал сигналы в более широком диапазоне частот? Это позволило бы фиксировать не только стандартные слияния чёрных дыр, но и совершенно неожиданные, пока не описанные явления.
В поисках новых решений он обратился к ИИ. Конкретно — к программному обеспечению, изначально разработанному физиком Марио Кренном для автоматизированного проектирования оптических экспериментов в области квантовой оптики . Адхикари и его коллеги предоставили системе каталог всех допустимых оптических компонентов — зеркал, линз, лазеров, детекторов — и разрешили ей конфигурировать детектор произвольной сложности. Алгоритм начинал с полной свободы: он мог «построить» схему с сотнями километров оптических путей и тысячами элементов.
Первые версии дизайнов выглядели пугающе. Они напоминали хаотичные конструкции без симметрии, визуальной эстетики или даже элементарной логики. «Это было нечто совершенно инопланетное», — вспоминает Адхикари. Однако, очистив выводы ИИ от избыточной сложности и структурировав схемы, исследователи обнаружили, что в этих странных конфигурациях скрыта физическая эффективность. Алгоритм предложил добавить в систему дополнительное кольцо длиной три километра между интерферометром и выходным каналом, по которому циркулировал бы лазерный свет перед регистрацией. Это новшество оказалось практически неизвестным ранее и, по всей видимости, базировалось на малораспространённой теоретической идее, впервые описанной в России в XX веке, согласно которой можно уменьшить квантовый шум считывания. Экспериментально эту концепцию никто не реализовывал.
По словам Адхикари, если бы такая схема была известна во времена строительства LIGO, чувствительность детектора могла бы быть на 10–15% выше. В условиях, где учёт субпротонных изменений — основа всей работы, это колоссальный скачок.
Как подчеркнул профессор из Университета Торонто Эфраим Стейнберг, который занимается квантовой оптикой, сама возможность того, что ИИ смог предложить жизнеспособное решение, ускользнувшее от тысяч учёных за десятилетия, — уже прорыв. Пока ИИ не изобрёл новой физики, но он уже начинает находить закономерности, ранее доступные лишь немногим.
В то же время ИИ помогает не только в проектировании установок. Его начали активно использовать и в интерпретации экспериментальных данных . К примеру, команда физика Кайла Кранмера из Университета Висконсина-Мэдисона использовала ИИ для предсказания плотности тёмной материи в определённых участках Вселенной. Алгоритм, натренированный на синтетических и реальных астрономических данных, вывел уравнение, которое более точно описывает поведение скоплений тёмной материи, чем ранее предложенные людьми модели. «Уравнение действительно хорошо описывает наблюдаемую картину, но мы пока не понимаем, откуда оно берётся», — признаёт Кранмер.
Другой важный пример — работа учёной Роуз Ю из Университета Калифорнии в Сан-Диего. Её команда обучила модели машинного обучения выявлять симметрии в данных с Большого адронного коллайдера (БАК). Речь идёт о фундаментальных симметриях — например, преобразованиях Лоренца, лежащих в основе теории относительности Эйнштейна. Алгоритмы, ничего не зная о физике, смогли обнаружить, что данные БАК инвариантны относительно вращений и преобразований в пространстве-времени — точно так же, как предсказывают законы природы.
В квантовой механике, где объекты описываются не траекториями, а волновыми функциями, такие симметрии играют центральную роль. Один из классических примеров — квантовая запутанность . Это явление, при котором два фотона, рожденные в одной системе, могут мгновенно определять состояние друг друга, даже находясь на расстоянии. Ранее считалось, что запутанность возможна только между частицами, которые имели общий источник. Но в 1993 году физик и будущий Нобелевский лауреат Антон Цайлингер с коллегами описал эксперимент, в котором частицы, ранее не взаимодействовавшие, становятся запутанными. Это стало основой технологии «перестановки запутанности» (entanglement swapping).
В 2021 году команда Кренна, используя свой ИИ PyTheus, попыталась найти оптимальный способ реализации этого явления. Вместо того чтобы воссоздать схему Цайлингера, алгоритм предложил совершенно иную конструкцию на базе многофотонной интерференции — более простую и эффективную. После математической проверки оказалось, что новая схема действительно работает. В декабре 2024 года физики из университета в Нанкине (Китай) собрали экспериментальную установку и подтвердили её работоспособность.
Таким образом, ИИ не только дополняет человеческие знания, но и начинает предлагать нетривиальные пути решения задач, порой превосходящие классические подходы. Пока он не способен объяснить, почему решения работают, — именно это остаётся задачей для человека. Но, как считают учёные вроде Кранмера, с появлением языковых моделей вроде ChatGPT может наступить новая эра — когда ИИ начнёт не просто находить закономерности, но и генерировать гипотезы, объясняющие их. И, как подчёркивает Стейнберг, мы, возможно, находимся прямо на пороге этой революции.