AI 设计出怪异的物理实验。但它们确实有效
人工智能软件正在设计新颖的实验方案，这些方案改进了人类物理学家的工作成果，尽管人类仍需要”进行大量照看工作”。
说到精密测量，就不得不提激光干涉引力波天文台（LIGO）。在 LIGO 的双子引力波探测器（分别位于华盛顿州汉福德和路易斯安那州利文斯顿）中，激光束沿着巨型 L 形四公里长臂来回反射。当引力波经过时，一条长臂相对于另一条的长度变化小于一个质子的宽度——正是通过测量这种微小差异（其灵敏度相当于测量地球到半人马座α星的距离时精确到一根人类头发的宽度），科学家们才能做出重大发现。
这台机器的设计历经数十年才完成，因为物理学家需要将每个部件都推向物理极限。建设始于 1994 年，耗时超过 20 年，其中包括为期四年的停机升级。直到 2015 年，LIGO 才首次探测到引力波：那是来自遥远宇宙中一对黑洞碰撞所产生的时空涟漪。
加州理工学院物理学家拉纳·阿迪卡里在 2000 年代中期领导了探测器优化团队。他与少数合作者精心打磨了 LIGO 设计的各个部件，探索了阻碍探测器提高灵敏度的每一项限制条件。
但在 2015 年探测到引力波后，阿迪卡里希望验证能否改进 LIGO 的设计，例如使其能够接收更宽频段的引力波信号。这种改进将使 LIGO 能够观测到不同质量黑洞的合并过程，甚至可能发现意外现象。”我们真正希望发现的是前所未见的全新天体物理现象，”阿迪卡里表示，”对于宇宙的创造物，我们不应抱有任何先入为主的观念。”
加州理工学院物理学家拉纳·阿迪卡里近期利用人工智能技术寻找改进引力波探测器设计的方法。
史蒂夫·巴布利亚克
他和团队转而求助于人工智能——具体来说，是物理学家马里奥·克伦最初开发的一套用于设计量子光学桌面实验的软件工具。首先，他们向 AI 提供了所有可混合搭配的组件和设备，用以构建任意复杂的干涉仪。AI 起初不受任何限制，可以设计出横跨数百公里、包含数千个元件（如透镜、反射镜和激光器）的探测器。
起初，人工智能的设计看起来荒诞不经。”它给出的输出结果对人类而言完全无法理解，”阿迪卡里说。”它们过于复杂，看起来像外星产物或 AI 造物。根本不像人类会做的东西，因为毫无对称性、美感可言。简直一团糟。”
研究人员找到了清理人工智能输出的方法，使其产生可解释的构想。即便如此，AI 的设计方案仍令研究团队困惑不已。”如果我的学生试图提交这种设计，我肯定会说’不行，这太荒谬了’，”阿迪卡里坦言。但该设计的效果却毋庸置疑。
团队耗费数月才理解 AI 的运作原理。原来这台机器运用了反直觉的技巧：它在主干涉仪与探测器之间增设了三公里长的环形光路，使激光在离开干涉臂前进行循环。阿迪卡里团队意识到，AI 可能运用了俄罗斯物理学家数十年前提出的某些深奥理论原理来抑制量子力学噪声，这些理论从未被实验验证过。”要突破常规思维想到这种程度需要非凡的想象力，”阿迪卡里表示，”我们确实需要 AI 的助力。”
AI 软件构想出一种新颖的光学元件布局方案，可使 LIGO 引力波探测器的灵敏度提升 10%至 15%。航拍图展示了路易斯安那州利文斯顿的探测器设施。
加州理工学院/麻省理工学院/激光干涉引力波天文台实验室
他表示，如果在 LIGO 建造时就能获得 AI 的洞见，”我们本可以全程提升约 10%至 15%的探测灵敏度”。在亚质子级别的精密测量领域，10%到 15%的增益堪称巨大突破。
“LIGO 是数千名科研人员深耕四十年的宏伟项目，”多伦多大学量子光学专家埃弗拉姆·斯坦伯格指出，”人类已穷尽所有可能方案，而 AI 提出的任何新方案都证明，这是数千名研究者未能实现的突破。”
尽管 AI 尚未在物理学领域带来全新发现，它正逐渐成为该学科的强大工具。除了协助研究人员设计实验外，AI 还能在复杂数据中发现非平凡模式。例如，AI 算法已从瑞士大型强子对撞机收集的数据中提取出自然界的对称性——这些对称性虽非新发现（它们曾是爱因斯坦相对论的核心），但 AI 的发现为未来可能性提供了原理验证。物理学家还运用 AI 找到了描述宇宙暗物质聚集现象的新方程。”人类可以开始从这些解决方案中学习，”阿迪卡里说道。
分离却相连
在描述日常世界的经典物理学中，物体具有独立于测量行为的明确属性：例如台球在任何时刻都具有特定的位置和动量。
但在量子世界并非如此。量子物体由称为量子态的数学实体描述。我们最多只能利用这个态来计算当你在某处寻找该物体时，它出现在该位置的概率。
更奇妙的是，两个（或更多）量子物体可以共享同一个量子态。以光为例，它由光子组成。这些光子可以成对产生并形成”纠缠”关系，意味着即使两个光子飞向相反方向，它们仍共享同一个联合量子态。一旦其中一个光子被测量，其结果似乎会瞬间决定另一个（此时已相距遥远）光子的属性。
数十年来，物理学家们一直认为量子纠缠需要物体最初处于同一位置。但在 1990 年代初，后来因纠缠态研究获得诺贝尔物理学奖的安东·蔡林格证明事实并非总是如此。他与同事提出一项实验：先制备两对互不关联的纠缠光子——A 与 B 纠缠，C 与 D 纠缠。研究人员随后设计出由晶体、分束器和探测器组成的精巧装置，对来自两对纠缠态的光子 B 和 C 进行操作。经过一系列操作后，光子 B 和 C 被探测并湮灭，但作为结果，从未相互作用过的伴生粒子 A 和 D 却形成了纠缠态。这种现象被称为纠缠交换，现已成为量子技术的重要基础构件。
2021 年，克伦团队开始借助他们开发的 PyTheus 软件设计新实验时，情况便是如此。”Py”代表编程语言 Python，”Theus”则源自希腊神话中斩杀米诺陶洛斯的英雄忒修斯。该团队使用称为”图”的数学结构来表征光学实验——这种结构由通过”边”连接的”节点”组成。节点和边分别对应实验的不同要素，如分束器、光子路径，或两个光子是否发生相互作用等。
克伦的团队首先构建了一个非常通用的图模型，该模型模拟了某种规模下所有可能实验的空间。这个图具有代表特定量子态的输出特征——例如两个粒子离开实验装置时从未相互作用却形成了纠缠态。
于是问题转变为：如何调整图的所有其他部分来产生这种量子态。为此研究人员构建了一个数学函数，它能接收图的状态并计算图输出与目标量子态之间的差异。随后他们通过迭代修改代表实验配置的图参数，将这种差异逐步减小至零。
当克伦的学生索伦·阿尔特尝试用这种方法寻找纠缠交换的最佳方案时，他发现实验配置完全无法识别——与蔡林格1993年的设计毫无相似之处。”他向我展示时，我们都很困惑，”克伦回忆道，”我当时坚信这肯定是错误的。”
该优化算法借鉴了多光子干涉这一独立研究领域的理念，从而设计出了比蔡林格方案更简洁的配置。克伦团队随后对最终方案进行了独立的数学分析，证实这种新型实验设计确实能在无共同历史轨迹的粒子间建立量子纠缠。
2024年12月，中国南京大学马小松教授领导的团队通过实际建造该实验装置验证了这一结论，实验结果与理论预测完全吻合。
发现隐藏的公式
实验设计并非物理学家运用人工智能的唯一领域。他们还利用 AI 来解析实验结果。
“目前来看，这就像教孩子学说话，”威斯康星大学麦迪逊分校物理学家凯尔·克兰默这样描述利用 AI 进行物理研究的初期尝试，”我们就像在当保姆。”即便如此，经过现实世界和模拟数据训练的机器学习模型，正在发现那些可能被人类忽略的规律。
例如，克兰默与团队曾用机器学习模型，根据邻近暗物质团块的可观测特性，预测宇宙中暗物质团块的密度分布。这类计算对理解星系和星系团的形成至关重要。该系统得出的暗物质密度公式比人工推导的公式更契合观测数据。”AI 的方程与数据高度吻合，”克兰默表示，”但它无法解释这个结论的推导过程。”
有时，证明 AI 能重新发现人类已知事物，就足以验证其原理。
加州大学圣地亚哥分校的计算机科学家 Rose Yu 训练机器学习模型，用于发现大型强子对撞机数据中的对称性。
Peggy Peattie 为《量子杂志》拍摄
加州大学圣地亚哥分校的计算机科学家 Rose Yu 与同事一直致力于训练机器学习模型以发现数据中的对称性。对称性意味着数据在某种变换下要么保持不变，要么以可预测且简单的方式变化。例如，圆形具有旋转对称性——它在旋转时保持不变。余博士团队将这项技术应用于大型强子对撞机收集的数据，识别出了对爱因斯坦相对论至关重要的所谓洛伦兹对称性。这些视角变化不会改变适用的物理定律。例如，对撞机中粒子对的产生速率在一天中的不同时段不应发生变化。若速率存在波动，则意味着其依赖于地球自转，进而在时空中存在优先方向。”我们证明，模型无需知晓任何物理知识，仅凭数据就能发现洛伦兹对称性，”余博士表示。
克兰默和余指出，虽然这类方法擅长发现规律，但理解这些规律并提出假设或物理解释，对当今的 AI 模型而言仍遥不可及。不过克兰默认为，像 ChatGPT 这样的大型语言模型的出现可能改变这一现状。”我认为语言模型在自动化构建假设方面具有巨大潜力，”他表示，”这个突破即将到来。”
斯坦伯格也认同，虽然人工智能尚未创造出新概念，但借助 AI 发现新物理学理论很可能会成为现实。”我们可能真的正在跨越那个门槛，这令人兴奋，”他说。
