Αδιανόητα πείραματα της Τεχνητής Νοημοσύνης αφήνουν άφωνους τους επιστήμονες

Λογισμικό τεχνητής νοημοσύνης σχεδιάζει πλέον καινοτόμα πειραματικά πρωτόκολλα που ξεπερνούν τις μεθόδους των ανθρώπινων φυσικών, αν και οι ερευνητές εξακολουθούν να επιβλέπουν στενά τη διαδικασία. Υπάρχουν ακριβείς μετρήσεις και μετά υπάρχει το Laser Interferometer Gravitational-Wave Observatory (LIGO).

Σε κάθε έναν από τους δύο ανιχνευτές βαρυτικών κυμάτων του LIGO — έναν στο Hanford της Ουάσιγκτον και έναν στο Livingston της Λουιζιάνα — δέσμες λέιζερ ανακλώνται επανειλημμένα κατά μήκος των τεσσάρων χιλιομέτρων των βραχιόνων ενός γιγάντιου γράμματος L. Όταν περνά ένα βαρυτικό κύμα, το μήκος του ενός βραχίονα αλλάζει σε σχέση με το άλλο κατά λιγότερο από το πλάτος ενός πρωτονίου.

Η ανίχνευση αυτών των απειροελάχιστων διαφορών — μια ευαισθησία που αντιστοιχεί στο να μετρά κανείς την απόσταση ως τον άστρο Άλφα του Κενταύρου με ακρίβεια όσο το πλάτος μιας ανθρώπινης τρίχας — οδηγεί σε σημαντικές ανακαλύψεις. Ο σχεδιασμός του μηχανήματος διήρκησε δεκαετίες, καθώς οι φυσικοί έπρεπε να φτάσουν κάθε παράμετρο στα απόλυτα όρια της φυσικής. Η κατασκευή ξεκίνησε το 1994 και χρειάστηκαν πάνω από 20 χρόνια, συμπεριλαμβανομένης μιας τετραετούς παύσης για βελτιώσεις, προτού το LIGO ανιχνεύσει το πρώτο βαρυτικό κύμα το 2015: ένα κύμα που προήλθε από τη σύγκρουση δύο μαύρων τρυπών σε μακρινό σημείο του σύμπαντος.

Ο Rana Adhikari, φυσικός στο California Institute of Technology, ηγήθηκε της ομάδας βελτιστοποίησης των ανιχνευτών στα μέσα της δεκαετίας του 2000. Μαζί με λίγους συνεργάτες, βελτίωσαν σχολαστικά τμήματα του σχεδιασμού του LIGO, διερευνώντας κάθε όριο που εμπόδιζε την αύξηση της ευαισθησίας του συστήματος.

Μετά την ανίχνευση του 2015, ο Adhikari ήθελε να δει αν θα μπορούσαν να βελτιώσουν περαιτέρω τον σχεδιασμό του LIGO, ώστε να εντοπίζει βαρυτικά κύματα σε ευρύτερη ζώνη συχνοτήτων. Αυτό θα επέτρεπε στον ανιχνευτή να παρατηρεί συγχωνεύσεις μαύρων τρυπών διαφόρων μεγεθών και πιθανές εκπλήξεις. «Αυτό που πραγματικά θέλουμε να ανακαλύψουμε είναι κάτι εντελώς νέο στην αστροφυσική που κανείς δεν έχει φανταστεί», ανέφερε ο Adhikari. Για τον λόγο αυτόν, αυτός και η ομάδα του στράφηκαν στην τεχνητή νοημοσύνη — συγκεκριμένα σε ένα λογισμικό που ανέπτυξε πρώτα ο φυσικός Mario Krenn, για τον σχεδιασμό πειραμάτων κβαντικής οπτικής.

Αρχικά, έδωσαν στο AI όλα τα διαθέσιμα εξαρτήματα και συσκευές ώστε να δημιουργήσει έναν όσο περίπλοκο επιθυμούσε συμβολόμετρο. Το AI ξεκίνησε χωρίς περιορισμούς, σχεδιάζοντας ανιχνευτές με εκατοντάδες χιλιόμετρα μήκος και χιλιάδες στοιχεία όπως φακούς, καθρέφτες και λέιζερ.

Στην αρχή, οι προτάσεις της τεχνητής νοημοσύνης φαίνονταν εξωπραγματικές. «Τα αποτελέσματα ήταν ακατανόητα για τους ανθρώπους», σχολίασε ο Adhikari. «Ήταν πολύ περίπλοκα, έμοιαζαν εξωγήινα ή σαν κάτι που μόνο μια AI θα σχεδίαζε — χωρίς συμμετρία ή αισθητική». Τελικά οι ερευνητές κατάφεραν να «καθαρίσουν» τα σχέδια ώστε να γίνουν πιο κατανοητά.

AI και νέες λύσεις στη φυσική ακριβείας

Παρόλα αυτά, τα σχέδια παρέμεναν αινιγματικά. «Αν οι φοιτητές μου μού έφερναν κάτι τέτοιο, θα το απέρριπτα αμέσως», είπε ο Adhikari. Όμως η αποτελεσματικότητα ήταν εμφανής. Χρειάστηκαν μήνες προσπάθειας για να κατανοήσουν τι ακριβώς έκανε το AI: είχε προσθέσει έναν επιπλέον δακτύλιο τριών χιλιομέτρων μεταξύ του κύριου συμβολομέτρου και του ανιχνευτή για να κυκλοφορεί το φως πριν εξέλθει από τους βραχίονες.

Η ομάδα συνειδητοποίησε ότι η AI είχε αξιοποιήσει θεωρητικές αρχές που είχαν διατυπωθεί από Ρώσους φυσικούς δεκαετίες πριν για τη μείωση του κβαντικού θορύβου — ιδέες που ποτέ δεν είχαν δοκιμαστεί πειραματικά. «Χρειάζεται πολύ φαντασία για να σκεφτεί κανείς τόσο έξω από τα καθιερωμένα», είπε ο Adhikari. «Πραγματικά είχαμε ανάγκη την τεχνητή νοημοσύνη». Αν υπήρχαν αυτές οι ιδέες όταν χτιζόταν το LIGO, «θα είχαμε 10 ή 15% καλύτερη ευαισθησία εξαρχής», τόνισε. Σε επίπεδο ακρίβειας μικρότερο του πρωτονίου, μια τέτοια βελτίωση είναι τεράστια.

«Το LIGO είναι ένα τεράστιο εγχείρημα στο οποίο έχουν αφιερώσει σκέψη χιλιάδες άνθρωποι επί 40 χρόνια», δήλωσε ο Aephraim Steinberg, ειδικός στην κβαντική οπτική στο University of Toronto. «Έχουν σκεφτεί τα πάντα· οποιαδήποτε νέα πρόταση της AI αποδεικνύει ότι πρόκειται για κάτι που διέφυγε από χιλιάδες ειδικούς».

Παρότι η AI δεν έχει οδηγήσει ακόμη σε εντελώς νέες ανακαλύψεις στη φυσική, εξελίσσεται σε πανίσχυρο εργαλείο στον χώρο. Εκτός από τον σχεδιασμό πειραμάτων, μπορεί να εντοπίσει μη προφανή μοτίβα σε σύνθετα δεδομένα. Για παράδειγμα, αλγόριθμοι AI έχουν εντοπίσει συμμετρίες στη φύση από δεδομένα του Large Hadron Collider στην Ελβετία — συμμετρίες κλειδιά για τις θεωρίες σχετικότητας του Αϊνστάιν.

Επιπλέον, φυσικοί χρησιμοποίησαν AI για την εύρεση νέας εξίσωσης περιγραφής της συγκέντρωσης σκοτεινής ύλης στο σύμπαν. «Οι άνθρωποι μπορούν πλέον να μάθουν από αυτές τις λύσεις», σχολίασε ο Adhikari.

Kβαντική σύζευξη: Νέα πειράματα μέσω AI

Στην κλασική φυσική της καθημερινότητας μας, τα αντικείμενα έχουν σαφείς ιδιότητες ανεξάρτητα από τη μέτρηση: μια μπάλα μπιλιάρδου έχει συγκεκριμένη θέση και ορμή ανά πάσα στιγμή. Στον κβαντικό κόσμο όμως αυτό δεν ισχύει· ένα κβαντικό αντικείμενο περιγράφεται από την κβαντική κατάστασή του — μια μαθηματική οντότητα που μας επιτρέπει μόνο να υπολογίσουμε πιθανότητες.

Δύο ή περισσότερα κβαντικά αντικείμενα μπορούν να μοιράζονται κοινή κατάσταση. Για παράδειγμα, φωτόνια μπορούν να παραχθούν ανά ζεύγη που είναι «συζευγμένα» (entangled), δηλαδή μοιράζονται κοινή κατάσταση ακόμα κι αν απομακρυνθούν μεταξύ τους. Όταν μετρηθεί το ένα φωτόνιο, η έκβαση φαίνεται να καθορίζει άμεσα τις ιδιότητες του άλλου — ακόμη κι αν βρίσκεται μακριά.

Επί δεκαετίες οι φυσικοί πίστευαν ότι η σύζευξη απαιτούσε τα κβαντικά αντικείμενα να ξεκινούν μαζί στον ίδιο χώρο. Όμως στις αρχές της δεκαετίας του 1990 ο Anton Zeilinger, μετέπειτα νομπελίστας Φυσικής για τη δουλειά του στη σύζευξη, απέδειξε ότι αυτό δεν είναι απαραίτητο.

Ο ίδιος και οι συνεργάτες του πρότειναν ένα πείραμα όπου δύο άσχετα ζεύγη συζευγμένων φωτονίων (Α-Β και Γ-Δ) υποβάλλονταν σε έξυπνο σχεδιασμό με κρυστάλλους, διαχωριστές δέσμης και ανιχνευτές ώστε τα φωτόνια Β και Γ (ένα από κάθε ζεύγος) να ενωθούν και να καταστραφούν μέσω μέτρησης· έτσι τα Α και Δ —που δεν είχαν ποτέ αλληλεπιδράσει— κατέληγαν συζευγμένα (entanglement swapping). Αυτή η μέθοδος αποτελεί πλέον βασικό εργαλείο της κβαντικής τεχνολογίας.

Το 2021, η ομάδα του Krenn ξεκίνησε τη χρήση λογισμικού PyTheus — συνδυασμός Python και Θησέα — για τον σχεδιασμό νέων πειραμάτων μέσω γραφημάτων (graphs), όπου κόμβοι και ακμές απεικόνιζαν στοιχεία όπως διαχωριστές δέσμης ή διαδρομές φωτονίων.

Η ομάδα δημιούργησε γενικά γραφήματα που μοντελοποιούσαν όλους τους πιθανούς πειραματικούς συνδυασμούς ενός μεγέθους· ζητούμενο ήταν η τροποποίηση των στοιχείων ώστε στην έξοδο να προκύπτει μια συγκεκριμένη κβαντική κατάσταση — π.χ., δύο συζευγμένα σωματίδια που δεν είχαν ποτέ αλληλεπιδράσει προηγουμένως.

Για αυτό ανέπτυξαν μια μαθηματική συνάρτηση που υπολόγιζε τη διαφορά μεταξύ της εξόδου του γραφήματος και της επιθυμητής κατάστασης· τροποποιώντας επαναληπτικά τις παραμέτρους έφταναν στο ζητούμενο αποτέλεσμα.

Ο Soren Arlt, μεταπτυχιακός φοιτητής στην ομάδα Krenn, διαπίστωσε ότι η βέλτιστη διάταξη για entanglement swapping δεν θύμιζε καθόλου το σχέδιο Zeilinger του 1993· ήταν απλούστερη αλλά βασισμένη σε ιδέες πολλαπλής φωτο-παρεμβολής (multiphoton interference). Με ανεξάρτητη μαθηματική ανάλυση επιβεβαιώθηκε ότι πράγματι μπορούσε να παραγάγει σύζευξη χωρίς κοινό παρελθόν των σωματιδίων.

Τον Δεκέμβριο 2024, ομάδα υπό τον Xiao-Song Ma στο Πανεπιστήμιο Nanjing της Κίνας υλοποίησε το συγκεκριμένο πείραμα επιβεβαιώνοντας τη λειτουργικότητα της νέας διάταξης στην πράξη.

Tα επόμενα βήματα: Εξαγωγή νόμων μέσα από δεδομένα

Ο σχεδιασμός πειραμάτων δεν είναι ο μόνος τρόπος αξιοποίησης της AI στη φυσική· χρησιμοποιείται επίσης στην ανάλυση αποτελεσμάτων πειραμάτων. Ο Kyle Cranmer, φυσικός στο University of Wisconsin-Madison, παρομοίασε τις προσπάθειες ως «διδασκαλία παιδιού» καθώς απαιτείται ακόμη στενή επίβλεψη.

Ωστόσο, μοντέλα machine learning εκπαιδευμένα σε πραγματικά και προσομοιωμένα δεδομένα ανακαλύπτουν μοτίβα που ίσως διέφευγαν των επιστημόνων. Για παράδειγμα, η ομάδα Cranmer χρησιμοποίησε machine learning για την πρόβλεψη πυκνότητας συστάδων σκοτεινής ύλης βάσει παρατηρούμενων χαρακτηριστικών γειτονικών συστάδων — κρίσιμο για την κατανόηση της εξέλιξης γαλαξιών.

Η εξίσωση που παρήγαγε η AI περιέγραφε τα δεδομένα καλύτερα από αντίστοιχη ανθρώπινη προσέγγιση, αν και σύμφωνα με τον Cranmer «λείπει η αφήγηση σχετικά με το πώς καταλήγει κανείς εκεί».

Σε άλλες περιπτώσεις αρκεί ως proof of principle όταν η AI ανακαλύπτει γνωστά πράγματα· η Rose Yu στο University of California San Diego εκπαίδευσε μοντέλα machine learning ώστε να βρίσκουν συμμετρίες στα δεδομένα — όπως η λεγόμενη Λορεντζιανή συμμετρία (Lorentz symmetry), θεμέλιο των θεωριών σχετικότητας του Αϊνστάιν.

“Δείξαμε ότι χωρίς καμία γνώση φυσικής το μοντέλο μπορεί να ανακαλύψει Λορεντζιανή συμμετρία μόνο από τα δεδομένα”, δήλωσε η Yu σχετικά με την εφαρμογή στο Large Hadron Collider. Παρόλο που τέτοιες μέθοδοι εντοπίζουν μοτίβα στα δεδομένα, η ερμηνεία τους παραμένει πρόκληση για τα σημερινά μοντέλα AI· ωστόσο ο Cranmer εκτιμά ότι τα μεγάλα γλωσσικά μοντέλα όπως το ChatGPT ίσως βοηθήσουν σύντομα στην αυτοματοποίηση παραγωγής υποθέσεων στη φυσική.

“Πιστεύω ότι υπάρχει τεράστιο δυναμικό”, είπε ο Cranmer,”και ίσως είμαστε κοντά”. Ο Steinberg συμφωνεί πως ενώ η AI δεν έχει ακόμα εφεύρει νέες έννοιες στη φυσική, η ανακάλυψη νέας φυσικής με τη βοήθεια τεχνητής νοημοσύνης είναι πλέον πιθανό σενάριο: “Πραγματικά ίσως περνάμε αυτό το κατώφλι – κι αυτό είναι συναρπαστικό”.

Διαβάστε το αρχικό άρθρο εδώ.