Maszyny tworzą rzeczy, które stawiają pod znakiem pytania o naturę nauki. Symulacja symulacji
Fizyka teoretyczna ma obecnie wiele subdyscyplin zajmujących się symulacjami komputerowymi układów rzeczywistych. Używamy obecnie symulacji do badania procesów formowania się galaktyk i struktur większych niż galaktyki, do obliczania mas cząstek składających się z kwarków, do sprawdzania, co dzieje się podczas zderzeń dużych jąder atomowych i do opisu cykli słonecznych, by wymienić tylko kilka obszarów badań, które są oparte głównie na komputerach.
"Symulacje kwantowe" to systemy składające się z oddziałujących ze sobą, złożonych obiektów, takich jak chmury atomów. Fizycy manipulują oddziaływaniami pomiędzy tymi obiektami tak, aby system przypominał oddziaływania pomiędzy bardziej fundamentalnymi cząstkami. Na przykład w elektrodynamice kwantowej naukowcy używają małych obwodów nadprzewodzących do symulowania atomów, a następnie badają, jak te sztuczne atomy oddziałują z fotonami. W laboratorium w Monachium fizycy wykorzystują nadpłynne ultrazimne atomy, aby rozstrzygnąć spór, czy cząstki podobne do cząstki Higgsa mogą istnieć w dwóch wymiarach przestrzeni. Okazało się (w symulacji), że tak.
W niedawnym eksperymencie Raymond Laflamme, fizyk z Instytutu Obliczeń Kwantowych na Uniwersytecie Waterloo w Ontario w Kanadzie, i jego zespół wykorzystali symulację kwantową do zbadania tzw. sieci spinowych, struktur, które w niektórych teoriach stanowią fundamentalną tkankę czasoprzestrzeni. Z kolei Gia Dvali, fizyk z uniwersytetu w Monachium, zaproponował metodę symulacji przetwarzania informacji przez czarne dziury za pomocą ultrazimnych gazów atomowych.
Podobny pomysł jest realizowany w dziedzinie grawitacji, gdzie fizycy używają płynów do naśladowania zachowania cząstek w polach grawitacyjnych. Naukowcy zbadali również gwałtowną ekspansję wczesnego Wszechświata, zwaną inflacją, wykorzystując płynne analogi grawitacji. Ponadto fizycy badali hipotetyczne cząstki fundamentalne, obserwując ich odpowiedniki zwane kwazicząstkami.
Teoria pól dyskretnych, czyli maszyna tworzy rzeczy, których się nie spodziewamy
Algorytm, opracowany przez Honga Qina (1) z Laboratorium Fizyki Plazmy Princeton, stosuje uczenie maszynowe, formę sztucznej inteligencji, która uczy się na podstawie doświadczeń, w celu wypracowania naukowych przewidywań. "Zazwyczaj w fizyce dokonuje się obserwacji, tworzy teorię opartą na tych obserwacjach, a następnie wykorzystuje teorię do przewidywania nowych obserwacji", wyjaśniał Qin w pracy opisującej algorytm w "Scientific Reports".
Program, do którego Qin wprowadził dane z wcześniejszych obserwacji orbit Merkurego, Wenus, Ziemi, Marsa, Jowisza i planety karłowatej Ceres, wraz z dodatkowym programem, znanym jako "algorytm służebny", dokonał dokładnych przewidywań orbit innych planet w Układzie Słonecznym bez wykorzystania wstępnie zaaplikowanych systemowi praw ruchu i grawitacji Newtona. Oznacza to, że algorytm nie miał żadnej początkowej wiedzy o prawach fizyki. Uczył się reguł ruchu ciał niebieskich na podstawie obserwacji. Tworzy więc symulację praw fizyki na podstawie symulacji składającej się z danych, które otrzymał.
Praca Qina opiera się na "teorii pól dyskretnych". Nazywa on tę teorię rodzajem "powłoki" lub ramy z konfigurowalnymi parametrami, która może być trenowana z pomocą danych obserwacyjnych. Po zakończeniu treningu zamienia się ona w algorytm natury, który komputer "może uruchomić, aby przewidzieć nowe obserwacje".
Sztuczna inteligencja projektuje eksperymenty z dziedziny fizyki kwantowej wykraczające poza ludzkie wyobrażenia. System uczenia maszynowego, pierwotnie stworzony w celu przyspieszenia obliczeń, dokonuje obecnie szokujących postępów na granicy eksperymentalnej fizyki kwantowej.
Fizyk Mario Krenn z uniwersytetu w Wiedniu odkrył pięć lat temu, że MELVIN, algorytm uczenia maszynowego, który zbudował, a którego zadaniem było mieszanie i dopasowywanie elementów składowych standardowych eksperymentów kwantowych i znajdowanie rozwiązań dla nowych problemów, dokonał czegoś niezwykłego. MELVIN pozornie rozwiązał problem tworzenia bardzo złożonych stanów splątanych z udziałem wielu fotonów.
Krenn, Anton Zeilinger z Uniwersytetu Wiedeńskiego i ich koledzy nie podali MELVIN-owi reguł potrzebnych do generowania tak złożonych stanów, a mimo to znalazł on sposób. W końcu uczony zdał sobie sprawę, że algorytm odkrył na nowo rodzaj eksperymentalnego układu (2), który został opracowany na początku lat 90. XX wieku. Tamte eksperymenty były jednak o wiele prostsze. MELVIN rozwiązał o wiele bardziej skomplikowaną zagadkę.
"W ciągu kilku godzin program znalazł rozwiązanie, na które my naukowcy, trzech eksperymentatorów i jeden teoretyk, nie mogliśmy wpaść od miesięcy", mówił Krenn w jednym z wywiadów. Oczekiwania Krenna były takie, że MELVIN znajdzie konfiguracje, które połączą te pary fotonów, tworząc stany splątane o co najwyżej dziewięciu wymiarach. "Ale znalazł jedno rozwiązanie, niezwykle rzadki przypadek, który ma znacznie większe splątanie niż pozostałe stany", opowiadał.
Podczas wczesnych prób uproszczenia i uogólnienia tego, co odkrył MELVIN, Krenn i jego koledzy zdali sobie sprawę, że rozwiązanie przypomina abstrakcyjne formy matematyczne zwane grafami, które są używane do przedstawiania relacji między parami obiektów. MELVIN najpierw stworzył taki graf, a następnie wykonał na nim operację matematyczną. Operacja ta, zwana "idealnym dopasowaniem", polega na wygenerowaniu równoważnego grafu, w którym każdy wierzchołek jest połączony tylko z jedną krawędzią.
Eksperymenty wyżej opisane każą zadać pytanie o naturę samej nauki. Czy naukowcy mają teraz już nie rozwijać teorii fizycznych, które wyjaśniają świat, a jedynie po prostu gromadzić dane? Czy teorie nie są czymś fundamentalnym dla fizyki, koniecznym do wyjaśnienia i zrozumienia zjawisk?
Ostatecznie algorytmy mogą na podstawie danych tworzyć alternatywne teorie naukowe, które mogą być podobne do naszych, ale niedokładnie takie same. Mogą też kreować teorie zupełnie nowe, inaczej ujmujące i opisujące świat. Jako że to wszystko obraca się w sferze symulacji, a nie obserwacji fizycznych czy eksperymentów, rodzi się pytania, czy to w ogóle nauka, taka jak ją tradycyjnie rozumiemy.
Mirosław Usidus
