AI navrhuje podivné fyzikální experimenty, které ale fungují!

Vědci po celém světě se stále více obracejí k umělé inteligenci, aby jim pomohla navrhovat složité experimenty, které by lidé sami těžko vymysleli. Tyto nápady často vypadají na první pohled jako chaotická změť, bez symetrie nebo elegance, kterou bychom očekávali od lidských designů. Přesto fungují a někdy dokonce přinášejí lepší výsledky než tradiční metody. Například v oblasti detekce gravitačních vln nebo kvantového provázání se ukazuje, že AI dokáže prozkoumat obrovské množství možností a najít řešení, která by lidem unikla.

AI a vylepšení detektoru LIGO

Jedním z nejpůsobivějších příkladů je práce fyzika Rana Adhikariho z Kalifornského technologického institutu (Caltech). Ten vedl tým, který se snažil zlepšit citlivost detektoru LIGO, což je obří zařízení pro detekci gravitačních vln. LIGO má dvě ramena dlouhá čtyři kilometry, kde laserové paprsky odrážejí a měří nepatrné změny délky způsobené gravitačními vlnami – změny menší než šířka protonu. Stavba tohoto detektoru trvala desítky let, od roku 1994, a první detekce přišla až v roce 2015, kdy zachytili vlnu z kolize dvou černých děr.

Adhikari a jeho tým použili software vyvinutý fyzikem Mario Krennem, původně určený pro design stolních experimentů v kvantové optice. Dali AI všechny možné komponenty – čočky, zrcadla, lasery – a nechali ji navrhnout složitý interferometer bez omezení. Výsledky byly zpočátku nesrozumitelné: designy vypadaly jako "cizí věci", bez symetrie, s tisíci prvky a délkami stovek kilometrů. Po úpravách, aby byly interpretovatelné, AI navrhla přidání tříkilometrového prstence mezi hlavní interferometer a detektor, což umožnilo cirkulaci světla před výstupem z ramen.

Tento nápad se ukázal jako geniální. Ukázalo se, že AI znovuobjevila a optimalizovala málo známou techniku interferometeru, kterou popsali ruští fyzici před desítkami let, ale nikdo ji experimentálně nevyužil. Výsledek? Zvýšení citlivosti LIGO o 10 až 15 procent, což by umožnilo detekovat širší rozsah frekvencí gravitačních vln a potenciálně objevit neočekávané astrofyzikální jevy. Adhikari přiznal, že kdyby jeho studenti přišli s takovým designem, odmítl by ho jako "směšný". Aephraim Steinberg z Torontské univerzity to označil za důkaz, že AI našla něco, co tisíce lidí přehlédly po 40 letech práce na LIGO.

Kvantové provázání bez společné minulosti

Další fascinující aplikace AI se týká kvantového provázání (entanglement), kde dvě částice sdílejí společný kvantový stav, i když jsou daleko od sebe. V roce 1993 Anton Zeilinger, pozdější laureát Nobelovy ceny za fyziku, ukázal, že provázání lze vytvořit mezi částicemi, které se nikdy nesetkaly – metodou zvanou entanglement swapping. Jeho design zahrnoval krystaly, děliče paprsků a detektory pro dva páry fotonů.

Tým Maria Krenna použil software PyTheus, který reprezentuje experimenty jako grafy s uzly a hranami představujícími prvky jako děliče paprsků nebo cesty fotonů. Cílem bylo najít konfiguraci, která by vytvořila provázání mezi fotony A a D, které neměly společnou minulost, po detekci a zničení fotonů B a C. Algoritmus optimalizoval grafy pomocí funkce, která minimalizovala rozdíl mezi výstupem a požadovaným stavem.

Student Soren Arlt objevil konfiguraci, která vypadala úplně jinak než Zeilingerova – byla jednodušší a zapůjčila si nápady z multiphotonové interference. Krenn byl zpočátku přesvědčen, že to musí být chyba, ale matematická analýza to potvrdila. V prosinci 2024 tým Xiao-Song Ma z univerzity v Nanjing v Číně experiment postavil a ověřil, že funguje přesně tak, jak AI předpověděla.

AI v analýze dat a hledání symetrií

AI se neomezuje jen na design experimentů; pomáhá i s analýzou dat. Kyle Cranmer z Wisconsinské univerzity v Madisonu použil modely strojového učení k předpovídání hustoty shluků temné hmoty na základě pozorovatelných vlastností. Jeho systém našel rovnici, která lépe popisuje data než ta vytvořená lidmi, i když zatím chybí vysvětlení, jak k ní došel.

Rose Yu z Kalifornské univerzity v San Diegu trénovala modely na datech z Velkého hadronového urychlovače (LHC) v CERNu, aby našly symetrie v datech. Bez znalosti fyziky objevily Lorentzovy symetrie, klíčové pro Einsteinovy teorie relativity – například, že rychlost produkce částic by neměla záviset na rotaci Země. To ukazuje, že AI může odhalit vzory čistě z dat, i když interpretace zůstává na lidech.

Nejde o to, že by stroje vymýšlely nové koncepty – zatím ne – ale o to, že rychle prohledávají obrovské prostory možností a nacházejí efektivní, i když podivné řešení. Fyzici jako Adhikari a Cranmer zdůrazňují, že lidé stále hrají klíčovou roli v interpretaci a validaci, ale spolupráce s AI by mohla urychlit objevy v kvantové mechanice nebo vysokoenergetické fyzice. Je to jako mít neúnavného asistenta, který myslí mimo zaběhnuté cesty, a výsledky jsou opravdu ohromující.