Quanta 杂志撰稿 由阿尼尔·阿南塔斯瓦米 特约撰稿人

人工智能软件正在设计新的实验方案，以改进人类物理学家的工作，尽管人类仍在“做很多保姆工作”，在 LIGO 的双引力波探测器（一个位于华盛顿州汉福德，另一个位于路易斯安那州利文斯顿）中，激光束沿着一个巨大的 L 的四公里臂来回反弹。当引力波通过时，一只手臂相对于另一只手臂的长度变化小于质子的宽度。正是通过测量这些微小的差异——一种类似于感知到半人马座阿尔法星的距离，精确到人类头发宽度的灵敏度——才有了发现。

这台机器的设计历时数十年，因为物理学家需要将各个方面推向绝对的物理极限。施工于 1994 年开始，历时 20 多年，包括为改进探测器而关闭了四年，然后 LIGO 于 2015 年探测到第一个引力波：一对黑洞遥远碰撞产生的时空结构涟漪。

拉纳·阿迪卡里（打开新标签页）加州理工学院的物理学家，在 2000 年代中期领导探测器优化团队。他和少数合作者煞费苦心地磨练了 LIGO 设计的各个部分，探索了阻碍更灵敏机器的每一个极限的轮廓。

但在 2015 年的探测之后，Adhikari 想看看他们是否可以改进 LIGO 的设计，例如，使其能够在更宽的频率范围内拾取引力波。这样的改进将使 LIGO 能够看到不同大小的合并黑洞，以及潜在的惊喜。“我们真正想发现的是没有人想象到的疯狂的新天体物理学事物，”阿迪卡里说。“我们不应该对宇宙创造的东西有偏见。”

加州理工学院的物理学家拉纳·阿迪卡里 （Rana Adhikari） 最近利用人工智能寻找改进引力波探测器设计的方法。

史蒂夫·巴布利亚克

他和他的团队转向人工智能——特别是物理学家马里奥·克伦 （Mario Krenn） 最初创建的软件套件，用于设计量子光学的桌面实验。首先，他们给了人工智能所有可以混合搭配的组件和设备，以构建一个任意复杂的干涉仪。人工智能一开始不受约束。它可以设计出一个跨越数百公里、拥有数千个元件的探测器，例如透镜、反射镜和激光。

最初，人工智能的设计似乎很古怪。“这东西给我们的输出确实是人们无法理解的，”阿迪卡里说。“它们太复杂了，看起来像外星人或人工智能的东西。人类不会做出任何东西，因为它没有对称感、美感，什么都没有。这简直是一团糟。

研究人员想出了如何清理人工智能的输出以产生可解释的想法。即便如此，研究人员还是对人工智能的设计感到困惑。“如果我的学生试图给我这个东西，我会说，不，不，这太荒谬了，”阿迪卡里说。但这个设计显然是有效的。

花了几个月的努力才明白人工智能在做什么（打开新标签页）.原来，这台机器使用了一种违反直觉的技巧来实现其目标。它在主干涉仪和探测器之间增加了一个额外的三公里长的环，以便在光离开干涉仪臂之前循环光。阿迪卡里的团队意识到，人工智能可能正在使用俄罗斯物理学家几十年前发现的一些深奥的理论原理来减少量子力学噪声。从来没有人通过实验来追求这些想法。“要考虑如此远超出公认的解决方案，需要付出很多努力，”阿迪卡里说。“我们真的需要人工智能。”

人工智能软件构思了一种新颖的光学元件布局，使 LIGO 引力波探测器的灵敏度提高 10% 到 15%。鸟瞰图显示了路易斯安那州利文斯顿的探测器。

加州理工学院/麻省理工学院/LIGO 实验室

如果人工智能的见解在构建 LIGO 时就可用，“我们的 LIGO 灵敏度将一直提高 10% 或 15%，”他说。在亚质子精度的世界中，10% 到 15% 是巨大的。

“LIGO 是成千上万的人 40 年来一直在深入思考的巨大事物，”多伦多大学量子光学专家 Aephraim Steinberg 说。“他们已经想到了他们能拥有的一切，[人工智能]提出的任何新东西都表明这是成千上万的人未能做到的事情。”

尽管人工智能尚未在物理学领域带来新的发现，但它正在成为整个领域的强大工具。除了帮助研究人员设计实验外，它还可以在复杂数据中找到重要的模式。例如，人工智能算法从瑞士大型强子对撞机收集的数据中收集了自然的对称性。这些对称性并不新鲜——它们是爱因斯坦相对论的关键——但人工智能的发现可以作为未来原理的证明。物理学家还利用人工智能找到了一个新方程来描述宇宙中看不见的暗物质的聚集。“人类可以开始从这些解决方案中学习，”阿迪卡里说。

分开但在一起

在描述我们日常生活的经典物理学中，物体具有明确定义的属性，这些属性与测量这些属性的尝试无关：例如，台球在任何给定时刻都具有特定的位置和动量。纠缠变得简单

在量子世界中，情况并非如此。量子对象由称为量子态的数学实体描述。最好的办法是使用状态来计算物体在某个位置的概率，比如说，当你在那里寻找它时。

更重要的是，两个（或更多）量子对象可以共享一个量子态。以光为例，光是由光子组成的。这些光子可以成对“纠缠”生成，这意味着两个光子即使飞散，也共享一个联合量子态。一旦测量了两个光子中的一个，结果似乎会立即确定另一个（现在是遥远的）光子的特性。

几十年来，物理学家们一直认为纠缠需要量子物体从同一个地方开始。但在 1990 年代初期，安东·蔡林格（打开新标签页）后来因对纠缠的研究而获得诺贝尔物理学奖的他表明，这并不总是正确的。他和他的同事提出了一项实验，该实验从两对不相关的纠缠光子开始。光子 A 和 B 相互纠缠，光子 C 和 D 也是如此。研究人员随后设计了一个巧妙的实验设计（打开新标签页）由晶体、分束器和探测器组成，它们将对光子 B 和 C 进行作——两对纠缠中的每对一个光子。通过一系列作，光子 B 和 C 被检测到并被破坏，但作为一个产物，以前没有相互作用的伙伴粒子 A 和 D 会纠缠在一起。这称为纠缠交换，它现在是量子技术的重要组成部分。

这就是 2021 年的情况，当时 Krenn 的团队开始借助他们称为 PyTheus 的软件设计新的实验——Py 代表编程语言 Python，Theus 代表忒修斯，以杀死神话中的牛头怪的希腊英雄的名字命名。该团队使用称为图的数学结构来表示光学实验，图由称为边的线连接的节点组成。节点和边代表实验的不同方面，例如分束器、光子的路径或两个光子是否相互作用。

Krenn 的团队首先构建了一个非常通用的图，该图对所有可能的某种规模的实验的空间进行建模。该图具有代表某种所需量子态的输出特征——例如，两个从未相互作用但现在纠缠在一起的粒子离开实验装置。

那么问题是如何修改图的所有其他部分以产生这种状态。为了弄清楚这一点，研究人员制定了一个数学函数。它吸收图的状态并计算图的输出与所需量子态之间的差异。然后，他们迭代修改了代表实验配置的图参数，以将这种差异减少到零。

当 Krenn 的学生 Soren Arlt 试图使用这种方法来寻找进行纠缠交换的最佳方法时，他注意到实验配置无法识别——与 Zeilinger 1993 年的设计完全不同。“当他给我看时，我们很困惑，”克伦说。“我确信这一定是错误的。”

该优化算法借鉴了称为多光子干涉的单独研究领域的思想。通过这样做，它创造了更简单的配置（打开新标签页）比 Zeilinger 的。然后，克伦的团队对最终设计进行了单独的数学分析。它证实，新的实验设计实际上会在没有共同过去的粒子之间产生纠缠。

2024年12月，南京大学马晓松带领的中国团队证实了这一点（打开新标签页）.他们构建了实际的实验，并且按预期进行。

寻找隐藏的公式

实验设计并不是物理学家使用人工智能的唯一方式。他们还将其用于解析实验结果。

“现在，我想说这就像教孩子如何说话，”凯尔·克兰默（打开新标签页）威斯康星大学麦迪逊分校的物理学家谈到了使用人工智能进行物理学的萌芽努力时说。“我们做了很多保姆工作。”即便如此，根据真实世界和模拟数据训练的机器学习模型正在发现原本可能被遗漏的模式。

例如，克兰默和他的合作者使用机器学习模型根据附近其他此类团块的可观察特性来预测宇宙中暗物质团块的密度。这样的计算对于了解星系和星系团的生长是必要的。系统得出了一个公式（打开新标签页）描述比人造暗物质团块更适合数据的暗物质团块的密度。克兰默说，人工智能的方程“很好地描述了数据”。“但它缺乏关于你如何到达那里的故事。”

有时，这足以证明人工智能可以重新发现人们已经知道的事物。

加州大学圣地亚哥分校的计算机科学家 Rose Yu 训练了机器学习模型，以找到大型强子对撞机数据中的对称性。

加州大学圣地亚哥分校的计算机科学家 Rose Yu 及其同事一直在训练机器学习模型在数据中查找对称性（打开新标签页）.对称性意味着数据要么保持不变，要么在变换下可预测且简单地发生变化。例如，一个圆具有旋转对称性——它在旋转下是不变的。Yu 和她的团队将他们的技术应用于在大型强子对撞机收集的数据，并确定了所谓的洛伦兹对称性，这对爱因斯坦的相对论至关重要。这些是视角的变化，使适用的物理定律保持不变。例如，对撞机上成对粒子的产生速率不应在一天中的不同时间发生变化。如果速率发生变化，则意味着对地球自转的某种依赖性，因此时空方向的优先性。“我们表明，在不了解任何物理学的情况下，该模型可以纯粹从数据中发现洛伦兹对称性，”Yu 说。

Cranmer 和 Yu 指出，虽然此类方法擅长发现模式，但对于当今的人工智能模型来说，理解这些模式并提出假设或物理学来解释它们仍然难以捉摸。但克兰默认为，像 ChatGPT 这样的大型语言模型的出现可能会改变这一点。“我认为语言模型在帮助自动化假设构建方面具有巨大的潜力，”他说。“这指日可待。”

斯坦伯格同意，虽然人工智能尚未发明新概念，但人工智能辅助的新物理学发现可能会成为现实。“我们真的可能跨过了这个门槛，这令人兴奋，”他说。