Nietypowe pomysły AI, które początkowo wydawały się pozbawione sensu
Weźmy przykład detektora fal grawitacyjnych LIGO. To urządzenie o niezwykłej precyzji, zdolne mierzyć zmiany mniejsze niż szerokość protonu. Gdy Rana Adhikari z California Institute of Technology poprosił sztuczną inteligencję o poprawienie jego konstrukcji, otrzymał propozycję, którą początkowo uznał za niedorzeczną.
Wyniki, które ta rzecz nam dawała, były naprawdę niezrozumiałe dla ludzi. Były zbyt skomplikowane i wyglądały jak coś z kosmosu. Po prostu nic, co stworzyłby człowiek, ponieważ nie miało to sensu z punktu widzenia symetrii, piękna, czegokolwiek – wyjaśnia Adhikari
Czytaj też: Cząstki zbuntowały się przeciw teorii. Kaony złamały zasady fizyki, które miały być nie do ruszenia
Algorytm zasugerował dodanie trzykilometrowego pierścienia między interferometrem a detektorem. Okazało się, że rozwiązanie to wykorzystywało zasady teoretyczne opracowane dziesięciolecia wcześniej przez rosyjskich fizyków, lecz nigdy nie wdrożone eksperymentalnie. Gdyby pomysł zastosowano podczas budowy LIGO, czułość detektora poprawiłaby się o 10-15%. W optyce kwantowej sytuacja wygląda podobnie. Zespół Mario Krenna stworzył oprogramowanie PyTheus, które projektuje eksperymenty wykorzystujące splątanie kwantowe. Algorytm zaproponował prostszą konfigurację dla zamiany splątania niż słynny projekt Antona Zeilingera z 1993 roku, za który fizyk otrzymał nagrodę Nobla.
Kiedy mi to pokazał, byliśmy zdezorientowani. Byłem przekonany, że to musi być źle – przyznaje Krenn
W grudniu 2024 roku chiński zespół badawczy eksperymentalnie potwierdził, że projekt PyTheus działa zgodnie z przewidywaniami. To pierwszy przypadek, gdy AI zaprojektowała eksperyment kwantowy od podstaw, a ludzie go zrealizowali.
Wykrywanie praw fizyki bez wcześniejszej wiedzy teoretycznej
Sztuczna inteligencja nie tylko projektuje eksperymenty, ale też odkrywa fundamentalne prawa fizyki. Rose Yu z University of California i jej zespół wytrenowali modele uczenia maszynowego do znajdowania symetrii w danych z Wielkiego Zderzacza Hadronów. Algorytmy zidentyfikowały symetrie Lorentza – kluczowe dla teorii względności Einsteina – wyłącznie na podstawie danych eksperymentalnych. Jeszcze bardziej imponujące są osiągnięcia Kyle’a Cranmera i jego współpracowników. Ich model przewiduje gęstość skupisk ciemnej materii we wszechświecie lepiej niż równania stworzone przez człowieka. Problem w tym, że naukowcy nie rozumieją, dlaczego to równanie działa:
Równanie AI bardzo dobrze opisuje dane. Ale brakuje mu historii o tym, jak się tam dostać – dodaje Cranmer
Czytaj też: Powstał nowy mózg sztucznej inteligencji. HRM bije ChatGPT w testach logiki i robi to przy ułamku mocy
Te same metody mogą znaleźć zastosowanie w chemii, gdzie AI mogłaby projektować nowe cząsteczki i reakcje. W biologii algorytmy mogłyby pomóc w projektowaniu eksperymentów genetycznych lub badaniu skomplikowanych szlaków metabolicznych. W medycynie AI mogłaby optymalizować badania kliniczne lub projektować nowe protokoły terapeutyczne. Naukowcy porównują obecny stan AI w nauce do nauki dziecka mówienia. Algorytmy potrzebują stałego nadzoru i interpretacji wyników przez ekspertów.
Nowa era współpracy
Sztuczna inteligencja w nauce to nie zamiana ludzi na maszyny, ale nowa forma współpracy. AI wnosi świeże spojrzenie na stare problemy, podczas gdy ludzie zapewniają interpretację i kontekst. Ta synergia może przyspieszyć tempo odkryć naukowych w sposób, jakiego jeszcze nie widzieliśmy. Aephraim Steinberg z University of Toronto jest optymistą co do przyszłości. Jak przekonuje, naprawdę możemy przekroczyć ten próg, co jest ekscytujące. Oczywiście AI wciąż ma ograniczenia – potrafi znajdować odpowiedzi, ale nie zawsze wyjaśnia mechanizmy stojące za obserwowanymi zjawiskami. To jak mieć genialnego asystenta, który podaje gotowe rozwiązania, lecz nie potrafi wytłumaczyć, jak do nich doszedł. Mimo tych ograniczeń, perspektywy są intrygujące. Framework cyfrowego odkrywania może stać się standardowym narzędziem w laboratoriach na całym świecie. Być może za kilka lat konsultowanie się z AI podczas projektowania eksperymentów będzie tak naturalne, jak dziś używanie komputera do analizy danych.